[論文レビュー] A Comparative Study on Early Detection of COVID-19 from Chest X-Ray Images

Mete Ahishali, Aysen Degerli+7 more|arXiv (Cornell University)|Jun 7, 2020

COVID-19 diagnosis using AI被引用数 19

ひとこと要約

本研究では、チークX線画像からのCOVID-19の早期検出を目的として、最先端の機械学習手法を評価し、コン act な分類器である畳み込みサポート推定ネットワーク（CSEN）を提案するとともに、Early-QaTa-COV19ベンチマークデータセットを導入した。CSENは98.5%以上の感受性と96%以上の特異性を達成した。一方、微調整されたCheXNetは、早期症例において97.14%の感受性と99.49%の特異性を達成した。

ABSTRACT

Coronavirus disease 2019 (COVID-19) has rapidly become a global health concern after its first known detection in December 2019. As a result, accurate and reliable advance warning system for the early diagnosis of COVID-19 has now become a priority. The detection of COVID-19 in early stages is not a straightforward task from chest X-ray images according to expert medical doctors because the traces of the infection are visible only when the disease has progressed to a moderate or severe stage. In this study, our first aim is to evaluate the ability of recent state-of-the-art Machine Learning techniques for the early detection of COVID-19 from chest X-ray images. Both compact classifiers and deep learning approaches are considered in this study. Furthermore, we propose a recent compact classifier, Convolutional Support Estimator Network (CSEN) approach for this purpose since it is well-suited for a scarce-data classification task. Finally, this study introduces a new benchmark dataset called Early-QaTa-COV19, which consists of 175 early-stage COVID-19 Pneumonia samples (very limited or no infection signs) labelled by the medical doctors and 1579 samples for control (normal) class. A detailed set of experiments shows that the CSEN achieves the top (over 98.5%) sensitivity with over 96% specificity. Moreover, transfer learning over the deep CheXNet fine-tuned with the augmented data produces the leading performance among other deep networks with 97.14% sensitivity and 99.49% specificity.

研究の動機と目的

• 放射線学的所見がしばしば微細または存在しない早期COVID-19のチークX線画像における検出の課題に対処すること。
• 早期COVID-19検出におけるコンパクト分類器とディープラーニングモデルの性能を評価すること。
• 低データ、早期段階分類タスクに特化した新しいコンパクト分類器、畳み込みサポート推定ネットワーク（CSEN）を提案すること。
• 医療専門家によるラベル付けがなされた、175例の早期COVID-19および1579例の正常X線画像から構成される新しいベンチマークデータセット、Early-QaTa-COV19を導入すること。
• 転移学習とデータ拡張を用いた最新技術のモデルを用いて、早期検出のパフォーマンスのベースラインを確立すること。

提案手法

• 本研究では、データが限られる状況下でも効率的かつ正確な分類が可能な、新しいコンパクトなディープラーニングモデル、畳み込みサポート推定ネットワーク（CSEN）を採用した。
• CSENは畳み込み層を用いて特徴抽出を行い、低データ環境下での意思決定境界の強化に寄与するサポート推定モジュールを活用している。
• 転移学習はCheXNetを用いて実施され、Early-QaTa-COV19データセットにおける性能向上を図るために、データ拡張技術を適用して微調整された。
• Early-QaTa-COV19データセットは、175例の早期COVID-19X線（最小限または顕著な所見なし）と1579例の正常X線から構成され、放射線科医による確認がなされている。
• 標準指標として感受性、特異性、受信者リポジトリ特性曲線（ROC）下の面積を用い、きめ細かい交差検証を実施して性能を評価した。
• 実験では、CSENと微調整されたCheXNetを、新しいベンチマーク上で他のディープラーニングおよび従来の機械学習モデルと比較した。

実験結果

リサーチクエスチョン

• RQ1 CSENのようなコンパクト分類器は、限られた学習データでチークX線画像からの早期COVID-19検出において高い感受性と特異性を達成できるか？
• RQ2 データ拡張を用いた転移学習は、CheXNetのようなディープラーニングモデルの早期検出性能をどのように向上させるか？
• RQ3 提案されたEarly-QaTa-COV19データセットは、真の早期COVID-19症例をどのように既存のデータセットと比較して捉えているか？
• RQ4 CSENと最新のディープラーニングモデルの間で、チークX線画像からのCOVID-19早期検出において、性能にどのような差が生じるか？
• RQ5 CSENのようなコンパクトモデルは、低データ、早期検出の状況下で、より大きなネットワークを上回る性能を示せるか？

主な発見

• CSENモデルは、Early-QaTa-COV19データセット上で98.5%以上の感受性と96%以上の特異性を達成し、早期検出において優れた性能を示した。
• 微調整されたCheXNetは、ディープラーニングネットワークの中で報告された最高の性能を達成し、早期症例において97.14%の感受性と99.49%の特異性を示した。
• 提案されたEarly-QaTa-COV19データセットは、放射線学的所見が最小限の早期COVID-19症例を効果的に捉えており、現実的なベンチマークを可能にした。
• CSENは低データ環境下でも頑健な性能を示し、従来の機械学習モデルを上回り、リソースが限られた環境における臨床的導入に適していることが示された。
• データ拡張を用いた転移学習は、ディープラーニングモデルの一般化能力およびX線画像における早期検出能力を顕著に向上させた。
• 本研究は、CSENと微調整されたCheXNetが感受性と特異性の両面で新たな基準を確立し、早期検出のための新しいパフォーマンスのベンチマークを樹立した。