[论文解读] Hypergraph Learning for Identification of COVID-19 with CT Imaging

Donglin Di, Feng Shi+13 more|arXiv (Cornell University)|May 7, 2020

COVID-19 diagnosis using AI参考文献 29被引用 12

一句话总结

该论文提出不确定性顶点加权超图学习（UVHL），以利用CT影像提高对社区获得性肺炎（CAP）中COVID-19的识别能力。通过超图结构建模多种特征（区域特征与放射组学特征），并依据数据不确定性对顶点进行加权，UVHL降低了噪声影响，并增强了决策边界附近的分类性能，在包含3,330例病例的多中心数据集上实现了90%的准确率。

ABSTRACT

The coronavirus disease, named COVID-19, has become the largest global public health crisis since it started in early 2020. CT imaging has been used as a complementary tool to assist early screening, especially for the rapid identification of COVID-19 cases from community acquired pneumonia (CAP) cases. The main challenge in early screening is how to model the confusing cases in the COVID-19 and CAP groups, with very similar clinical manifestations and imaging features. To tackle this challenge, we propose an Uncertainty Vertex-weighted Hypergraph Learning (UVHL) method to identify COVID-19 from CAP using CT images. In particular, multiple types of features (including regional features and radiomics features) are first extracted from CT image for each case. Then, the relationship among different cases is formulated by a hypergraph structure, with each case represented as a vertex in the hypergraph. The uncertainty of each vertex is further computed with an uncertainty score measurement and used as a weight in the hypergraph. Finally, a learning process of the vertex-weighted hypergraph is used to predict whether a new testing case belongs to COVID-19 or not. Experiments on a large multi-center pneumonia dataset, consisting of 2,148 COVID-19 cases and 1,182 CAP cases from five hospitals, are conducted to evaluate the performance of the proposed method. Results demonstrate the effectiveness and robustness of our proposed method on the identification of COVID-19 in comparison to state-of-the-art methods.

研究动机与目标

• 为解决在早期CT影像中区分COVID-19与CAP的挑战，因临床与放射学特征高度相似。
• 降低在紧急条件下采集的CT数据中噪声的负面影响，这些数据具有可变的重建核函数和患者运动。
• 利用超图结构建模COVID-19与CAP病例之间的高阶关系，以捕捉复杂的数据相关性。
• 通过将认知不确定性与随机不确定性整合到顶点加权中，提升分类鲁棒性，实现更可靠的预测。
• 在标注数据有限的情境下评估UVHL的性能，此类情境在新发传染病中尤为关键。

提出的方法

• 该方法从每例CT扫描中提取区域特征与放射组学特征，以在多维特征空间中表示个体患者。
• 构建超图结构，其中每个患者为一个顶点，超边连接多个顶点，以建模病例之间的高阶关系。
• 通过同时计算随机不确定性（数据噪声）与认知不确定性（模型不确定性）分量，为每个顶点计算不确定性评分，以量化数据可靠性。
• 根据不确定性评分分配顶点权重，在学习过程中降低低质量或模糊病例的影响。
• 采用顶点加权超图学习框架，通过加权超图传播标签，将注意力集中在决策边界附近的不确定但具有信息量的节点上，实现分类。
• 该框架支持多模态特征融合，结合区域特征与放射组学特征，以提升整体性能。

实验结果

研究问题

• RQ1 基于超图的学习框架能否有效建模CT影像中COVID-19与CAP病例之间的复杂高阶关系？
• RQ2 在存在噪声或低质量CT数据的情况下，同时引入随机不确定性与认知不确定性评分是否能提升分类鲁棒性？
• RQ3 在使用多中心CT数据区分COVID-19与CAP时，所提出的UVHL方法相较于最先进方法表现如何？
• RQ4 不同特征类型（区域特征与放射组学特征）对分类性能的贡献如何？其组合对结果有何影响？
• RQ5 在标注数据有限的情况下，UVHL方法的泛化能力如何？这在新发传染病情景中是常见挑战。

主要发现

• 所提出的UVHL方法在包含2,148例COVID-19与1,182例CAP病例的多中心数据集中，区分COVID-19与CAP的准确率达到90%。
• 同时使用随机不确定性与认知不确定性时性能最佳，优于仅使用单一不确定性类型或不加权的方法。
• 结合区域特征与放射组学特征的方法实现了最高敏感度（93.27%）与特异度（84.00%），证明了多特征融合的优势。
• 即使在标注数据极少（每类仅10–100例）的情况下，UVHL仍保持稳定性能，优于SVM及其他基线方法在低数据场景下的表现。
• 使用MLP进行不确定性估计优于SVM，表明深度学习方法在该任务中更有效地实现不确定性估计。
• 通过降低不确定或低质量病例的权重，该方法在噪声数据中表现出鲁棒性，提升了真实临床环境下的泛化能力。