[论文解读] Towards Radiologist-Level Accurate Deep Learning System for Pulmonary Screening

Mrinal Haloi, Rajalakshmi Krishnamurthi+1 more|arXiv (Cornell University)|Jun 25, 2018

COVID-19 diagnosis using AI参考文献 9被引用 10

一句话总结

该论文提出了一种211层深度全卷积神经网络，结合残差Inception模块与部分注意力机制，实现了在胸部X光片中对肺炎和结核病进行放射科医生水平准确分类。该系统在公开数据集上对肺炎的敏感度达到96.1%，曲线下面积（AUC）为0.985；对结核病的敏感度为92.5%，AUC为0.949，性能超越现有最先进水平。

ABSTRACT

In this work, we propose advanced pneumonia and Tuberculosis grading system for X-ray images. The proposed system is a very deep fully convolutional classification network with online augmentation that outputs confidence values for diseases prevalence. Its a fully automated system capable of disease feature understanding without any offline preprocessing step or manual feature extraction. We have achieved state- of-the- art performance on the public databases such as ChestXray-14, Mendeley, Shenzhen Hospital X-ray and Belarus X-ray set.

研究动机与目标

• 开发一种全自动、基于深度学习的AI系统，用于肺部筛查，实现与放射科医生水平相当的肺炎和结核病检测准确率。
• 通过在偏远地区实现快速、可靠且可部署的筛查，缓解发展中国家放射科医生短缺的问题。
• 提高诊断准确率，减少在分类复杂且重叠的病理特征（如肺炎与结核病）时不同放射科医生之间的差异性。
• 构建一个完全自动化的系统，无需人工特征提取或离线预处理，充分利用端到端深度学习。

提出的方法

• 采用一个约4500万个可训练参数、共211层的极深全卷积网络，实现从像素到标签的直接分类。
• 网络使用改进的残差Inception模块，结合跳跃连接与因子化卷积，以增强特征表示并减少混叠效应。
• 应用部分注意力机制，聚焦于高分辨率特征图，通过强调相关病理区域来提升表征学习效果。
• 采用加权Sigmoid交叉熵损失函数进行多标签分类，实现在单张图像中同时检测肺炎和结核病。
• 应用批量归一化、标签平滑、Dropout以及批量样本平衡策略，以提升泛化能力并防止过拟合。
• 使用带Nesterov动量的随机梯度下降进行优化，并采用多项式学习率调度策略，同时通过梯度归一化稳定训练过程。

实验结果

研究问题

• RQ1 深度学习系统是否能在前位胸片中实现与放射科医生水平相当的肺炎和结核病分类诊断准确率？
• RQ2 具有残差与Inception模块的极深全卷积网络在肺部疾病检测中如何提升特征学习与分类性能？
• RQ3 注意力机制与在线数据增强在有限的医学影像数据集上能在多大程度上增强模型的可解释性与泛化能力？
• RQ4 与现有最先进模型相比，该系统在肺炎和结核病检测中的敏感度、特异度与曲线下面积（AUC）表现如何？
• RQ5 该模型是否能在具有不同成像协议与疾病流行率的多种公开数据集中保持高性能？

主要发现

• 所提出的模型在公开数据集上对肺炎分类的敏感度达到96.1%，特异度为91.03%，曲线下面积（AUC）为0.985。
• 对结核病的检测，模型达到92.5%的敏感度与85.0%的特异度，曲线下面积（AUC）为0.949，优于以往最先进方法。
• 在敏感度与AUC方面，该模型超越了放射科医生水平的性能，尤其在肺炎检测中，显著优于现有模型。
• 热力图可视化结果表明，模型聚焦于具有病理特征的解剖学相关区域，证明其注意力机制有效且具备可解释性。
• 该系统在多个公开数据集（包括ChestXray-14、Mendeley、深圳医院、白俄罗斯及MC-SC-Xray）上均表现出稳健性能，显示出强大的泛化能力。
• 该模型在移动芯片上运行更快，具备可部署性，适用于低资源与偏远地区的临床场景，支持规模化应用。