[论文解读] COVID-Xpert: An AI Powered Population Screening of COVID-19 Cases Using Chest Radiography Images

Xin Li, Dongxiao Zhu|arXiv (Cornell University)|Apr 6, 2020

COVID-19 diagnosis using AI被引用 49

一句话总结

COVID-MobileXpert 是一款轻量级的深度神经网络移动应用，通过新颖的三玩家知识迁移与蒸馏框架，利用胸部X光（CXR）影像筛查新冠肺炎并预测放射学轨迹。该应用在有限的新冠肺炎数据上通过自定义损失函数和本地设备推理实现了稳健性能，源代码已公开。

ABSTRACT

During the COVID-19 pandemic, there has been an emerging need for rapid, dedicated, and point-of-care COVID-19 patient disposition techniques to optimize resource utilization and clinical workflow. In view of this need, we present COVID-MobileXpert: a lightweight deep neural network (DNN) based mobile app that can use chest X-ray (CXR) for COVID-19 case screening and radiological trajectory prediction. We design and implement a novel three-player knowledge transfer and distillation (KTD) framework including a pre-trained attending physician (AP) network that extracts CXR imaging features from a large scale of lung disease CXR images, a fine-tuned resident fellow (RF) network that learns the essential CXR imaging features to discriminate COVID-19 from pneumonia and/or normal cases with a small amount of COVID-19 cases, and a trained lightweight medical student (MS) network to perform on-device COVID-19 patient triage and follow-up. To tackle the challenge of vastly similar and dominant fore- and background in medical images, we employ novel loss functions and training schemes for the MS network to learn the robust features. We demonstrate the significant potential of COVID-MobileXpert for rapid deployment via extensive experiments with diverse MS architecture and tuning parameter settings. The source codes for cloud and mobile based models are available from the following url: this https URL.

研究动机与目标

• 为应对疫情暴发期间对快速、即时检测工具的迫切需求。
• 在有限的CXR数据下，实现高效、本地化的新冠肺炎患者分诊。
• 开发一种轻量级、可部署的模型，适用于计算资源有限的移动平台。
• 在前背景模式高度相似的CXR图像中提升特征学习能力。

提出的方法

• 设计了一种三玩家知识迁移与蒸馏（KTD）框架：由在大规模肺部疾病CXR数据上预训练的主治医师（AP）网络。
• 住院医师（RF）网络在少量新冠肺炎、肺炎和正常CXR病例数据集上进行微调，以学习判别性特征。
• 通过蒸馏训练轻量级医学生（MS）网络，用于本地设备筛查与随访分诊。
• 在MS网络上应用新颖的损失函数与训练方案，以增强对主导图像前景与背景相似性的鲁棒性。
• 对MS网络进行移动端优化，实现在边缘设备上的实时推理。
• 公开发布云端与移动端模型的源代码，以支持可复现性与进一步开发。

实验结果

研究问题

• RQ1 仅使用胸部X光影像，轻量级本地化深度学习模型能否有效筛查新冠肺炎？
• RQ2 从预训练与微调网络中蒸馏知识，能否显著提升在有限新冠肺炎数据上的性能？
• RQ3 自定义损失函数在前背景高度相似的CXR图像中，能在多大程度上增强特征学习？
• RQ4 所提出的KTD框架能否实现对患者随访的准确放射学轨迹预测？
• RQ5 该模型在不同移动硬件与网络条件下的可扩展性与可部署性如何？

主要发现

• 所提出的三玩家KTD框架能够有效实现从大规模预训练模型到轻量级本地网络的知识迁移。
• 通过新颖的损失函数与训练方案，MS网络在有限新冠肺炎数据上实现了稳健性能。
• 大量实验证明，该模型在多种MS架构与超参数设置下具备快速部署的潜力。
• 该模型保持了高精度与高效率，适用于实时移动端推理。
• 云端与移动端模型的源代码已公开，支持可复现性与进一步开发。