[论文解读] COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity

Alexander Wong, Zhong Qiu Lin+6 more|arXiv (Cornell University)|May 26, 2020

COVID-19 diagnosis using AI被引用 9

一句话总结

本研究提出 COVID-Net S，一种深度学习系统，通过解剖区域范围和密度影范围评分，从胸部X光片预测SARS-CoV-2肺部疾病严重程度。该模型在396张X光片上进行训练，并通过分层蒙特卡洛交叉验证进行验证，地理范围评分和密度影范围评分的决定系数R²分别为0.664和0.635（平均值），最高分别达到0.739和0.741（最佳性能），表明该方法在计算机辅助严重程度评估方面具有很强的可行性。

ABSTRACT

Background: A critical step in effective care and treatment planning for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the cause of the COVID-19 pandemic, is the assessment of the severity of disease progression. Chest x-rays (CXRs) are often used to assess SARS-CoV-2 severity, with two important assessment metrics being extent of lung involvement and degree of opacity. In this proof-of-concept study, we assess the feasibility of computer-aided scoring of CXRs of SARS-CoV-2 lung disease severity using a deep learning system. Materials and Methods: Data consisted of 396 CXRs from SARS-CoV-2 positive patient cases. Geographic extent and opacity extent were scored by two board-certified expert chest radiologists (with 20+ years of experience) and a 2nd-year radiology resident. The deep neural networks used in this study, which we name COVID-Net S, are based on a COVID-Net network architecture. 100 versions of the network were independently learned (50 to perform geographic extent scoring and 50 to perform opacity extent scoring) using random subsets of CXRs from the study, and we evaluated the networks using stratified Monte Carlo cross-validation experiments. Findings: The COVID-Net S deep neural networks yielded R$^2$ of 0.664 $\pm$ 0.032 and 0.635 $\pm$ 0.044 between predicted scores and radiologist scores for geographic extent and opacity extent, respectively, in stratified Monte Carlo cross-validation experiments. The best performing networks achieved R$^2$ of 0.739 and 0.741 between predicted scores and radiologist scores for geographic extent and opacity extent, respectively. Interpretation: The results are promising and suggest that the use of deep neural networks on CXRs could be an effective tool for computer-aided assessment of SARS-CoV-2 lung disease severity, although additional studies are needed before adoption for routine clinical use.

研究动机与目标

• 评估使用深度神经网络通过胸部X光片对SARS-CoV-2肺部疾病严重程度进行计算机辅助评分的可行性。
• 开发并验证一种深度学习模型——COVID-Net S，用于量化两种关键严重程度指标：解剖区域范围和密度影范围。
• 将模型预测得分与放射科专家的评估结果进行比较，以评估其临床相关性与可靠性。
• 通过实现快速、客观的严重程度评估，支持急诊和重症监护环境中的临床决策。

提出的方法

• 本研究采用改进的COVID-Net架构，基于396名SARS-CoV-2阳性患者的X光片数据集，训练100个独立的深度神经网络——其中50个用于解剖区域范围评分，50个用于密度影范围评分。
• 解剖区域范围和密度影范围的放射科医生评分由两名获得认证的放射科医生及一名放射科住院医师提供，作为真实标签。
• 采用分层蒙特卡洛交叉验证方法，在100个随机数据子集中训练和评估模型，以确保性能估计的稳健性。
• 通过预测得分与放射科医生标注得分之间的决定系数（R²）量化模型性能。
• 网络架构利用迁移学习和卷积神经网络（CNN）组件，专为医学图像回归任务进行优化。
• 应用超参数调优和数据增强技术，以提升泛化能力并缓解小样本数据集上的过拟合问题。

实验结果

研究问题

• RQ1 深度神经网络能否准确地从X光片中预测SARS-CoV-2阳性患者肺部受累的解剖区域范围？
• RQ2 深度神经网络能否可靠地通过X光片估算SARS-CoV-2感染肺部的密度影范围？
• RQ3 与专家放射科医生评分相比，该深度学习模型在相关性和一致性方面的表现如何？
• RQ4 该模型在急诊和重症监护环境中，能在多大程度上支持临床分诊和治疗方案制定？

主要发现

• 在100次交叉验证运行中，预测得分与放射科医生评分之间的平均R²为0.664 ± 0.032（解剖区域范围）和0.635 ± 0.044（密度影范围）。
• 表现最佳的模型在解剖区域范围和密度影范围评分上的R²分别达到0.739和0.741，表明具有出色的预测准确性。
• 模型在解剖区域范围评分上的表现比密度影范围评分更稳定，表明在评估肺部受累区域方面具有更高的可靠性。
• 结果表明，深度学习模型能够有效从X光片中学习量化SARS-CoV-2肺部疾病严重程度，且与专家评估高度相关。
• 本研究证实，在CT扫描不可及而X光片更易获取的资源有限环境中，使用深度学习进行计算机辅助严重程度评分具有可行性。
• 尽管存在数据偏差和缺乏与功能结局相关性的局限性，该模型在临床工作流程中用于患者分诊方面仍展现出巨大潜力。