[论文解读] CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

Pranav Rajpurkar, Jeremy Irvin+10 more|arXiv (Cornell University)|Nov 14, 2017

COVID-19 diagnosis using AI参考文献 23被引用 1,289

一句话总结

CheXNet 是一个121层的 DenseNet，能够在胸部X射线图像上以放射科医生级别的性能检测肺炎，并在所有14个 ChestX-ray14 病理方面达到最先进的结果。它还提供用于解释的定位热图。

ABSTRACT

We develop an algorithm that can detect pneumonia from chest X-rays at a level exceeding practicing radiologists. Our algorithm, CheXNet, is a 121-layer convolutional neural network trained on ChestX-ray14, currently the largest publicly available chest X-ray dataset, containing over 100,000 frontal-view X-ray images with 14 diseases. Four practicing academic radiologists annotate a test set, on which we compare the performance of CheXNet to that of radiologists. We find that CheXNet exceeds average radiologist performance on the F1 metric. We extend CheXNet to detect all 14 diseases in ChestX-ray14 and achieve state of the art results on all 14 diseases.

研究动机与目标

• 推动自动肺炎检测，以缓解放射科医生的工作负担并改善诊断获取。
• 开发一个深度神经网络，能够从正位胸部X光片中高精度检测肺炎。
• 扩展模型以检测 ChestX-ray14 中的所有14种疾病，并与先前的最先进方法进行基准比较。
• 通过定位热图（CAMs）提供模型可解释性，以突出指示病理区域。

提出的方法

• 使用在 ChestX-ray14 上训练的121层 DenseNet，包含112,120张正位视角 X 光图像，标注有14种病理。
• 将最终层替换为单节点 sigmoid，用于肺炎概率；使用 Adam 进行训练。
• 使用加权二元交叉熵损失来处理类别不平衡。
• 在保留测试集上与四位放射科医生对比评估，使用 F1 分数及自举置信区间。
• 扩展到14病理的多标签分类，采用14维 sigmoid 输出和未加权的二元交叉熵损失。
• 生成 Class Activation Maps (CAMs)，对对预测贡献的区域进行定位。

实验结果

研究问题

• RQ1 CheXNet 能否在胸部 X 光片上检测肺炎，其水平超过在职放射科医生？
• RQ2 与 ChestX-ray14 病理的最先进方法相比，CheXNet 的表现如何？
• RQ3 在所有14种疾病上，逐类预测（AUROC）是否优于先前方法？
• RQ4 该模型是否能提供可解释的定位地图来解释其决策？

主要发现

F1 Score (95% CI)	放射科医生1	放射科医生2	放射科医生3	放射科医生4	放射科医生 平均值	CheXNet
肺炎	0.383 (0.309, 0.453)	0.356 (0.282, 0.428)	0.365 (0.291, 0.435)	0.442 (0.390, 0.492)	0.387 (0.330, 0.442)	0.435 (0.387, 0.481)

• CheXNet 对肺炎的 F1 分数为 0.435（95% CI 0.387, 0.481），高于放射科医生平均值 0.387（95% CI 0.330, 0.442）。
• CheXNet 与放射科医生之间的 F1 差异在统计学上具有显著性（差异的 95% CI：0.005 至 0.084）。
• 在扩展到多标签分类时，CheXNet 在所有14个ChestX-ray14病理上均优于已发表的最佳结果。
• 在 Mass、Nodule、Pneumonia、Emphysema 上，CheXNet 的 AUROC 提高超过 0.05，相较于先前的最先进方法。
• 该模型提供基于 CAM 的定位，突出显示最能指示各病理的区域。