[论文解读] Deep Sequential Feature Learning in Clinical Image Classification of Infectious Keratitis

Yesheng Xu, Ming Kong+8 more|arXiv (Cornell University)|Jun 4, 2020

Ocular Diseases and Behçet’s Syndrome参考文献 39被引用 5

一句话总结

本文提出一种序列级深度学习模型，用于分类感染性角膜炎的临床图像，保留空间结构并解耦有信息量的特征，从而提高诊断准确性。该模型在120张测试图像上达到80.00%的准确率，显著优于421名眼科医生的平均准确率49.27%。

ABSTRACT

Infectious keratitis is the most common entities of corneal diseases, in which pathogen grows in the cornea leading to inflammation and destruction of the corneal tissues. Infectious keratitis is a medical emergency, for which a rapid and accurate diagnosis is needed for speedy initiation of prompt and precise treatment to halt the disease progress and to limit the extent of corneal damage; otherwise it may develop sight-threatening and even eye-globe-threatening condition. In this paper, we propose a sequential-level deep learning model to effectively discriminate the distinction and subtlety of infectious corneal disease via the classification of clinical images. In this approach, we devise an appropriate mechanism to preserve the spatial structures of clinical images and disentangle the informative features for clinical image classification of infectious keratitis. In competition with 421 ophthalmologists, the performance of the proposed sequential-level deep model achieved 80.00% diagnostic accuracy, far better than the 49.27% diagnostic accuracy achieved by ophthalmologists over 120 test images.

研究动机与目标

• 为解决感染性角膜炎这一威胁视力的角膜疾病所面临的快速且准确诊断的迫切临床需求。
• 克服人类专家在检测临床角膜图像中细微差异时因变异性和主观性带来的局限。
• 开发一种能够保留空间结构并从临床图像中提取判别性特征的深度学习模型。
• 在直接诊断比较中，将模型性能与眼科专家进行基准对比。
• 提供一种可靠、自动化的工具，用于早期且精确诊断感染性角膜炎，以限制角膜损伤并保护视力。

提出的方法

• 所提出的模型采用一种序列级深度学习架构，旨在以序列感知的方式处理临床图像。
• 其包含一种机制，用于保留角膜图像的空间结构，确保在特征提取过程中保留解剖学背景。
• 通过分层特征学习过程，模型实现对有信息量特征的解耦，从而增强对疾病亚型的区分能力。
• 该架构在感染性角膜炎临床图像数据集上进行端到端训练，以优化分类性能。
• 使用120张标准化测试图像对模型进行评估，并与421名执业眼科医生的性能进行比较。
• 评估以诊断准确率为首要指标，并与人类专家表现进行统计比较。

实验结果

研究问题

• RQ1 序列级深度学习模型能否在分类感染性角膜炎临床图像方面实现高于人类眼科医生的诊断准确率？
• RQ2 该模型在角膜图像中保留空间结构的能力有多强，以支持准确分类？
• RQ3 该模型在多大程度上能够解耦并利用有信息量的特征，以区分感染性角膜炎表现中的细微差异？
• RQ4 在此项临床图像分类任务中，深度学习模型与专家临床医生之间的性能差距有多大？
• RQ5 该模型在具有多种病原体类型和不同疾病严重程度的真实临床图像上是否具有良好的泛化能力？

主要发现

• 所提出的深度序列特征学习模型在120张感染性角膜炎测试图像上实现了80.00%的诊断准确率。
• 该性能显著优于421名眼科医生在相同测试集上的平均诊断准确率49.27%。
• 与人类专家相比，该模型在检测角膜病理细微差异方面表现出更优的能力。
• 空间结构的保留与有信息量特征的解耦是模型高性能的关键因素。
• 结果表明，对于此特定临床图像分类任务，深度学习模型的诊断准确率可超越人类临床医生。
• 本研究为利用临床影像实现感染性角膜炎自动化诊断建立了强有力的基准。