[论文解读] 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 19

一句话总结

本研究评估了用于从胸部X光片中早期检测COVID-19的最先进机器学习方法，提出了一种新型紧凑分类器——卷积支持估计网络（CSEN），并引入了Early-QaTa-COV19基准数据集。CSEN在敏感度上超过98.5%，特异度达96%；而微调后的CheXNet在早期病例上的敏感度为97.14%，特异度为99.49%。

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.

研究动机与目标

• 为解决在胸部X光片中早期COVID-19检测的挑战，因为影像学征象通常细微或缺失。
• 评估紧凑分类器与深度学习模型在早期COVID-19检测中的性能表现。
• 提出一种新型紧凑分类器——卷积支持估计网络（CSEN），专为低数据量、早期阶段分类任务而设计。
• 引入一个新的基准数据集——Early-QaTa-COV19，包含175例早期阶段COVID-19和1579例正常X光片样本，均由医学专家标注。
• 通过最先进模型（包括数据增强的迁移学习）建立早期检测的性能基线。

提出的方法

• 本研究采用一种新颖的紧凑深度学习模型——卷积支持估计网络（CSEN），专为在数据稀缺条件下实现高效且精确的分类而设计。
• CSEN利用卷积层进行特征提取，并通过支持估计模块增强在低数据环境下的决策边界。
• 采用迁移学习方法，使用CheXNet并结合数据增强技术进行微调，以提升其在Early-QaTa-COV19数据集上的性能。
• Early-QaTa-COV19数据集由175例早期阶段COVID-19 X光片（仅有轻微或无明显影像学征象）和1579例正常X光片构成，所有样本均由放射科医生验证。
• 性能通过标准指标（敏感度、特异度及ROC曲线下面积）进行评估，并辅以严格的交叉验证。
• 实验将CSEN与微调后的CheXNet与其他深度学习及传统机器学习模型在新基准上的表现进行对比。

实验结果

研究问题

• RQ1 紧凑分类器如CSEN是否能在训练数据有限的条件下，实现对胸部X光片中早期阶段COVID-19的高敏感度与高特异度检测？
• RQ2 结合数据增强的迁移学习如何提升深度学习模型（如CheXNet）在早期检测中的性能？
• RQ3 所提出的Early-QaTa-COV19数据集相较于现有数据集，在反映真实早期阶段COVID-19病例方面表现如何？
• RQ4 CSEN与最先进深度学习模型在胸部X光片中早期检测COVID-19方面的性能相比如何？
• RQ5 在低数据、早期检测场景下，紧凑模型CSEN是否能超越更大的神经网络？

主要发现

• CSEN模型在Early-QaTa-COV19数据集上实现了超过98.5%的敏感度和超过96%的特异度，表现出在早期检测中的强劲性能。
• 微调后的CheXNet在所有深度神经网络中实现了迄今最高的性能表现，其在早期病例上的敏感度为97.14%，特异度为99.49%。
• 所提出的Early-QaTa-COV19数据集有效捕捉了具有最小影像学征象的早期阶段COVID-19病例，为真实场景下的基准测试提供了支持。
• CSEN在低数据环境下表现出强鲁棒性，优于传统机器学习模型，显示出在资源有限环境下的临床部署潜力。
• 结合数据增强的迁移学习显著提升了深度模型在早期X光片图像上的泛化能力与检测性能。
• 本研究建立了早期检测的新性能基准，CSEN与微调后的CheXNet在敏感度与特异度方面设定了新标准。