[論文レビュー] DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray Images

Md Rezaul Karim, Till Döhmen+4 more|arXiv (Cornell University)|Apr 9, 2020

COVID-19 diagnosis using AI参考文献 30被引用数 38

ひとこと要約

この論文は、Grad-CAM++とLRPを用いて領域レベルの説明を提供する、胸部X線写真からCOVID-19を検出するための説明可能なニューラルアンサンブルDeepCOVIDExplainerを紹介します。 balancedデータでCOVID-19に対する高い精度・再現率を達成し、PPVは約96%を達成します。

ABSTRACT

Amid the coronavirus disease(COVID-19) pandemic, humanity experiences a rapid increase in infection numbers across the world. Challenge hospitals are faced with, in the fight against the virus, is the effective screening of incoming patients. One methodology is the assessment of chest radiography(CXR) images, which usually requires expert radiologist's knowledge. In this paper, we propose an explainable deep neural networks(DNN)-based method for automatic detection of COVID-19 symptoms from CXR images, which we call DeepCOVIDExplainer. We used 15,959 CXR images of 15,854 patients, covering normal, pneumonia, and COVID-19 cases. CXR images are first comprehensively preprocessed, before being augmented and classified with a neural ensemble method, followed by highlighting class-discriminating regions using gradient-guided class activation maps(Grad-CAM++) and layer-wise relevance propagation(LRP). Further, we provide human-interpretable explanations of the predictions. Evaluation results based on hold-out data show that our approach can identify COVID-19 confidently with a positive predictive value(PPV) of 91.6%, 92.45%, and 96.12%; precision, recall, and F1 score of 94.6%, 94.3%, and 94.6%, respectively for normal, pneumonia, and COVID-19 cases, respectively, making it comparable or improved results over recent approaches. We hope that our findings will be a useful contribution to the fight against COVID-19 and, in more general, towards an increasing acceptance and adoption of AI-assisted applications in the clinical practice.

研究の動機と目的

• 臨床現場での胸部X線写真(CXR)を用いたCOVID-19の迅速で解釈可能なスクリーニングの動機づけ。
• 解釈可能なDNNベースのパイプラインを開発し、正常・肺炎・COVID-19のCXR画像を識別する。
• 信頼性と汎化を高めるために複数のCNNアーキテクチャをアンサンブルに結合する。
• クラスを区別する胸部領域をハイライトすることで人間が解釈できる説明を提供する。
• 再現性を重視した結果と方法を提供する（オープンソースのコードとデータリンク）。

提案手法

• ヒストグラム均 等化、エッジ強調、ノイズ低減、アーティファクト除去を含む画像前処理。
• ImageNet事前学習なしの転移学習風の設定で、VGG-16/19、ResNet-18/34、DenseNet-161/201などの複数のCNNアーキテクチャを訓練。
• サイクリック・コサインアニーリングを用いてスナップショットモデルを作成し、Softmaxクラス後方推定を平均化するSCPAおよび予測最大化PMでアンサンブルを形成。
• Grad-CAM++、Grad-CAM、Layer-wise Relevance Propagation (LRP)を用いてクラス識別的な説明を生成。
• クラス不均衡にはクラスウェイトを用いて対応し、 balanced および imbalanced データセットにおける精度、再現率、F1、PPVを評価。
• ヒートマップと領域局在化によって予測を説明し、臨床的な信頼と検証を支援する。

実験結果

リサーチクエスチョン

• RQ1 説明可能なニューラルアンサンブルは、CXR画像においてCOVID-19を正常および非COVID-19肺炎と正確に区別できるか。
• RQ2 Grad-CAM++, Grad-CAMおよびLRPは、臨床利用のための意思決定関連胸部領域の信頼できる解釈可能な局在を提供するか。
• RQ3 balancedおよびimbalancedクラス分布の下で、どのCNNアーキテクチャとアンサンブル戦略が最良の性能を示すか。
• RQ4 提案手法は、精度・再現率・PPVの点で既存のCOVID-19 CXR手法と比較してどうか。
• RQ5 モデルの挙動はAI支援の臨床意思決定をサポートするのに十分透明か。

主な発見

• DenseNet-161およびDenseNet-201は、balancedデータで個々の最高性能を達成し、DenseNet-161は0.952 precision、0.945 recall、0.948 F1を達成。
• imbalancedデータではDenseNet-161とResNet-18が堅牢な性能を示し、DenseNet-161は強い指標を維持。
• Softmax posterior averaging(SCPA)を用いたVGG-19 + DenseNet-161のアンサンブルが、最良の balanced 結果を示す（Precision 0.946、Recall 0.943、F1 0.945）。
• 予測最大化(PM)アンサンブルも同じアーキテクチャ組み合わせで良好な性能を示す（0.937 Precision、0.926 Recall、0.931 F1）。
• COVID-19陽性予測のPPVは balanced テストセットで96.12%を達成。COVIDx v1.0の比較では同様の条件下でPPV 96.74%を示し、最先端手法と競合的な性能を示唆。
• balancedデータセットのクラス別指標：Normal (Precision 0.942, Recall 0.927, F1 0.935)、Pneumonia (Precision 0.916, Recall 0.928, F1 0.922)、COVID-19 (Precision 0.904, Recall 0.905, F1 0.905)。