[论文解读] Chester: A Web Delivered Locally Computed Chest X-Ray Disease Prediction System

Joseph Cohen, Paul A. Bertin+1 more|arXiv (Cornell University)|Jan 31, 2019

COVID-19 diagnosis using AI参考文献 22被引用 35

一句话总结

一个基于网络原型，在浏览器本地运行胸部X光疾病预测，具备分布外检测和预测解释，保护患者数据隐私。

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

研究动机与目标

• 通过提供一个可访问、在本地运行的胸部X光工具，弥合深度学习研究人员与医疗专业人员之间的差距。
• 通过在客户端完全处理数据来保护患者隐私，展示一个第二意见诊断辅助工具。
• 探索三个组成部分：出分布检测、疾病预测和预测解释。
• 提供一个开源模型和部署方法，可以被复制以在最少的服务器成本下扩展医疗AI解决方案。

提出的方法

• 在 ChestX-ray14 派生数据上使用 DenseNet-121 进行疾病预测。
• 使用基于自编码器的重构（ALI）以及 SSIM/L1/L2 指标实现出分布检测。
• 用分段线性后处理变换对预测概率进行校准。
• 使用基于梯度的显著性图和类激活映射来解释预测。
• 通过 PyTorch→ONNX→TensorFlow→TensorFlow.js 的流程在浏览器中部署模型。
• 提供一个在浏览器内处理的管道，通过 URL 传输代码和权重，同时将患者数据保留在客户端。

实验结果

研究问题

• RQ1 与现有基准相比，本地运行的深度学习模型在预测胸部X光疾病方面的表现如何？
• RQ2 出分布检测是否能够在临床环境中有效地判断何时不进行预测？
• RQ3 可视化解释（显著性图和 CAM）是否为放射科医师的解读提供了有意义的定位？
• RQ4 在浏览器中完全部署准确的胸部X光模型，并实现可接受的性能与隐私保障，是否可行？

主要发现

• 该系统展示了一个完整的、基于浏览器的胸部X光诊断工具，具备 OoD 检测和解释能力。
• 探索了数据增强和外部验证，以评估在如 PadChest 等数据集上的泛化能力。
• 使用基于 ALI 的重构和 SSIM 的出分布检测方法在识别非胸部X光输入和引导模型使用方面显示出潜力。
• 基于梯度的显著性图和类激活映射提供了对预测贡献区域的定位。
• 部署管道将 PyTorch 模型转换为 ONNX，然后转换为 TensorFlow.js，使其在浏览器内运行，验证结果显示与 PyTorch 预测在小公差内高度一致。