[논문 리뷰] Chester: A Web Delivered Locally Computed Chest X-Ray Disease Prediction System

Joseph Cohen, Paul A. Bertin외 1명|arXiv (Cornell University)|2019. 01. 31.

COVID-19 diagnosis using AI참고 문헌 22인용 수 35

한 줄 요약

웹 기반 프로토타입으로 브라우저에서 로컬로 흉부 X-ray 질환 예측을 실행하며, 분포 외 탐지와 예측 설명을 제공하고 환자 데이터 프라이버시를 유지합니다.

ABSTRACT

In order to bridge the gap between Deep Learning researchers and medical professionals we develop a very accessible free prototype system which can be used by medical professionals to understand the reality of Deep Learning tools for chest X-ray diagnostics. The system is designed to be a second opinion where a user can process an image to confirm or aid in their diagnosis. Code and network weights are delivered via a URL to a web browser (including cell phones) but the patient data remains on the users machine and all processing occurs locally. This paper discusses the three main components in detail: out-of-distribution detection, disease prediction, and prediction explanation. The system open source and freely available here: https://mlmed.org/tools/xray

연구 동기 및 목표

• 딥 러닝 연구자와 의료 전문가 간의 격차를 해소하기 위해 접근 가능하고 로컬에서 실행되는 흉부 X-ray 도구를 제공합니다.
• 클라이언트 측에서 데이터 처리를 전부 수행하여 환자 프라이버시를 보존하는 제2의 진단 보조 도구를 시연합니다.
• 세 가지 구성요소: 분포 외 탐지, 질환 예측, 예측 설명을 탐색합니다.
• 최소한의 서버 비용으로 의료 AI 솔루션을 확장할 수 있도록 카피 가능한 오픈 소스 모델 및 배포 방식을 제공합니다.]
• method:[

제안 방법

• ChestX-ray14-derived 데이터에서 질환 예측에 DenseNet-121을 사용합니다.
• ALi 기반 재구성(autoencoder-based reconstruction)을 사용한 분포 외 탐지 및 SSIM/L1/L2 지표를 구현합니다.
• 조각별 선형 후처리 변환으로 예측 확률을 보정합니다.
• gradient-based saliency maps와 Class Activation Mapping으로 예측을 설명합니다.
• 브라우저에서 PyTorch→ONNX→TensorFlow→TensorFlow.js 파이프라인으로 모델을 배포합니다.
• URL을 통해 코드와 가중치를 전송하면서 환자 데이터를 로컬에 보유하는 브라우저 기반 처리 파이프라인을 제공합니다.

실험 결과

연구 질문

• RQ1 로컬에서 실행되는 딥 러닝 모델이 기존 벤치마크와 비교해 흉부 X-ray 질환을 얼마나 잘 예측할 수 있습니까?
• RQ2 임상 맥락에서 예측을 내리지 않도록 효과적으로 결정할 수 있는 분포 외 탐지가 가능합니까?
• RQ3 시각적 설명(주의 맵 및 CAM)이 방사선 전문의 해석을 위한 의미 있는 위치 지정을 제공합니까?
• RQ4 브라우저에서 정확한 흉부 X-레이 모델을 완전히 배포하는 것이 허용 가능한 성능과 프라이버시 보장을 제공할 수 있는지?

주요 결과

• 시스템은 OoD 탐지 및 설명 기능을 갖춘 흉부 X-ray 진단을 위한 완전한 브라우저 기반 도구를 시연합니다.
• PadChest와 같은 데이터셋에서 일반화를 평가하기 위해 데이터 증강과 외부 검증을 탐색했습니다.
• ALI 기반 재구성 및 SSIM을 사용하는 분포 외 방법은 비 흉부 X-ray 입력을 식별하고 모델 사용을 안내하는 데 가능성을 보였습니다.
• Gradient 기반 주의 맵과 Class Activation Maps는 예측에 기여하는 영역을 강조하는 위치 지정을 제공합니다.
• 배포 파이프라인은 PyTorch 모델을 ONNX로 변환한 후 TensorFlow.js로 변환하여 브라우저에서 작동하도록 하며, 검증 결과 PyTorch 예측과의 근사치를 작은 허용 오차 내에서 확인했습니다.