[论文解读] UMLS-ChestNet: A deep convolutional neural network for radiological findings, differential diagnoses and localizations of COVID-19 in chest x-rays

Germán González, Aurelia Bustos+8 more|arXiv (Cornell University)|Jun 6, 2020

COVID-19 diagnosis using AI参考文献 2被引用 4

一句话总结

UMLS-ChestNet 是一种深度卷积神经网络，利用分层的 UMLS 分类法，在胸部 X 光片中检测并定位 189 种放射学表现、22 种鉴别诊断和 122 个解剖位置。在 92,594 幅和 2,065 幅经 PCR 确诊的 COVID-19 阳性图像上进行训练，其 COVID-19 诊断 AUC 达到 0.94，通过注意力图实现可解释性，并能检测到放射科报告中未提及的异常表现。

ABSTRACT

In this work we present a method for the detection of radiological findings, their location and differential diagnoses from chest x-rays. Unlike prior works that focus on the detection of few pathologies, we use a hierarchical taxonomy mapped to the Unified Medical Language System (UMLS) terminology to identify 189 radiological findings, 22 differential diagnosis and 122 anatomic locations, including ground glass opacities, infiltrates, consolidations and other radiological findings compatible with COVID-19. We train the system on one large database of 92,594 frontal chest x-rays (AP or PA, standing, supine or decubitus) and a second database of 2,065 frontal images of COVID-19 patients identified by at least one positive Polymerase Chain Reaction (PCR) test. The reference labels are obtained through natural language processing of the radiological reports. On 23,159 test images, the proposed neural network obtains an AUC of 0.94 for the diagnosis of COVID-19. To our knowledge, this work uses the largest chest x-ray dataset of COVID-19 positive cases to date and is the first one to use a hierarchical labeling schema and to provide interpretability of the results, not only by using network attention methods, but also by indicating the radiological findings that have led to the diagnosis.

研究动机与目标

• 开发一种深度学习模型，能够超越简单分类，检测胸部 X 光片中的多种放射学表现、鉴别诊断和解剖位置。
• 解决临床需求，实现对如磨玻璃影和实变等病变的早期检测与定位，这些是 COVID-19 的关键指标。
• 通过识别对模型预测有贡献的具体放射学表现，而非仅提供最终诊断，提升诊断的可解释性。
• 利用包含 92,594 幅前后位胸部 X 光片和 2,065 例 PCR 确诊的 COVID-19 病例的大型多样化数据集，结合放射科报告中经 UMLS 映射的标签。
• 提供一种可扩展、可扩展的胸部 X 光分析框架，支持使用标准化医学术语的全面、分层标签。

提出的方法

• 该模型采用基于 UMLS 术语系统的分层多标签分类方法，涵盖 189 种放射学表现、22 种鉴别诊断和 122 个解剖位置。
• 标签通过自然语言处理（NLP）从放射科报告中提取，实现不同临床报告之间的一致性和标准化标注。
• 使用深度卷积神经网络（CNN）在两个数据集上进行训练：一个大型通用胸部 X 光数据库（92,594 幅图像）和一个专门的 COVID-19 数据集（2,065 幅图像），其病例经 PCR 确诊。
• 模型采用注意力机制，突出显示 X 光片中的感兴趣区域，通过可视化贡献区域实现预测的可解释性。
• UMLS 分类法的分层结构使模型能够同时学习广泛和精细的解剖与病理类别。
• 系统设计用于检测放射科报告中未明确提及的异常表现，从而提高对细微或早期病变模式的敏感性。

实验结果

研究问题

• RQ1 深度学习模型能否以高精度检测和定位多种放射学表现，包括与 COVID-19 相关的磨玻璃影和实变？
• RQ2 基于分层 UMLS 的标签体系在多大程度上能提升胸部 X 光分析模型的可解释性和临床相关性？
• RQ3 在大型多样化胸部 X 光数据集上训练的模型，能否检测到放射科报告中未明确提及的细微或早期病变？
• RQ4 从放射科报告中通过 NLP 提取的标签如何提升模型训练与评估的一致性和标准化？
• RQ5 与现有方法相比，该模型在 COVID-19 诊断中的表现如何，特别是在 AUC 和临床相关表现检测方面的表现？

主要发现

• UMLS-ChestNet 在 23,159 幅图像的测试集中对 COVID-19 诊断的 AUC 达到 0.94，表现出优异的诊断性能。
• 该模型检测到的放射学表现（如磨玻璃影和实变）在原始放射科报告中未被提及，但对 COVID-19 临床诊断具有重要意义。
• 基于分层 UMLS 的标签系统实现了对 189 种不同放射学表现、22 种鉴别诊断和 122 个解剖位置的高精度和高召回率检测，覆盖多个解剖区域。
• 注意力图通过突出显示病灶位置，提供可视化可解释性，支持临床决策和模型透明度。
• 该模型基于迄今为止公开的最大规模 PCR 确诊的 COVID-19 胸部 X 光图像数据集进行训练，包含 2,065 例阳性病例。
• 该系统在多种解剖区域中表现出稳健性能，AUC 值较高（如外周区域为 0.93，双侧弥漫性区域为 0.91，胸膜下区域为 0.86）。