[论文解读] Do Lateral Views Help Automated Chest X-ray Predictions?

Hadrien Bertrand, Mohammad Hashir+1 more|arXiv (Cornell University)|Apr 17, 2019

COVID-19 diagnosis using AI参考文献 8被引用 10

一句话总结

本研究评估了在PadChest数据集上，使用DenseNet模型进行自动化疾病预测时，侧位胸片是否能提升性能。结果表明，对于56种标签中的8种，侧位片能提升性能，尤其在胸腔积液和膈肌异常方面表现突出；而对于21种标签，其性能与前后位（PA）片相当，表明在多视角深度学习放射学中，侧位片具有针对性的应用价值。

ABSTRACT

Most convolutional neural networks in chest radiology use only the frontal posteroanterior (PA) view to make a prediction. However the lateral view is known to help the diagnosis of certain diseases and conditions. The recently released PadChest dataset contains paired PA and lateral views, allowing us to study for which diseases and conditions the performance of a neural network improves when provided a lateral x-ray view as opposed to a frontal posteroanterior (PA) view. Using a simple DenseNet model, we find that using the lateral view increases the AUC of 8 of the 56 labels in our data and achieves the same performance as the PA view for 21 of the labels. We find that using the PA and lateral views jointly doesn't trivially lead to an increase in performance but suggest further investigation.

研究动机与目标

• 探究在仅使用后前位（PA）视图的基础上，引入侧位胸片是否能提升自动化疾病分类的性能。
• 评估在大型多视角数据集中，侧位视图在56种放射学诊断中的相对贡献。
• 评估通过简单融合策略结合PA与侧位视图是否能带来一致的性能提升。
• 识别出哪些特定病理情况中，侧位视图提供的诊断信息显著多于PA视图。
• 验证PadChest数据集中弱监督标签在下游深度学习任务中的可靠性。

提出的方法

• 分别在仅PA视图和仅侧位视图上训练单一DenseNet模型，采用60-20-20的训练-验证-测试集划分。
• 采用基于频率的类别加权二元交叉熵损失函数，权重限制在1至5之间，以缓解类别不平衡问题。
• 通过中心裁剪和像素值缩放至[-1, 1]范围进行数据增强，以实现输入归一化。
• 基于验证集AUC选择每种标签表现最佳的模型，采用早停策略，并对每个模型进行5次随机权重初始化。
• 将194个原始标签映射为56个顶级标签，以增加样本量并提升训练稳定性。
• 使用测试集上的受试者工作特征曲线下面积（AUC）评估性能，结果按标签在多个随机种子下可视化。

实验结果

研究问题

• RQ1 在56种放射学标签中，有多少种标签的模型性能在使用侧位视图后优于仅使用PA视图？
• RQ2 是否存在某些特定病理，其侧位视图提供的诊断信息显著多于PA视图？
• RQ3 通过简单的早期或晚期融合策略结合PA与侧位视图，是否能在所有标签上实现一致的性能提升？
• RQ4 随机种子导致的模型方差在多大程度上影响了PA与侧位视图性能比较的可靠性？
• RQ5 PadChest数据集中弱监督标签在多大程度上影响了观察到的性能趋势的有效性？

主要发现

• 在56种标签中，侧位视图使模型性能（AUC）优于仅使用PA视图的有8种，包括胸腔积液、人工心脏瓣膜和半膈肌抬高。
• 在21种标签中，侧位视图的性能与PA视图相当，AUC差异低于多个随机种子下的标准差。
• 所有56种标签的平均加权AUC为0.79，表明尽管使用了简单的DenseNet架构，仍具备较强的基线性能。
• 通过简单融合策略结合两种视图并未带来一致的性能提升，且在多个随机种子下表现出较高方差，表明多视角融合存在非平凡的挑战。
• 结果表明，侧位视图并非对所有情况都有益，尤其在涉及心脏、膈肌和后部肺部结构的病理中具有显著信息价值。
• 部分标签性能方差较高，提示需在更大、更多样化的数据集（如MIMIC-CXR和CheXpert）上进行进一步验证。