POTHER: Patch-Voted Deep Learning-Based Chest X-ray Bias Analysis for COVID-19 Detection

要約

人々の生活に壊滅的な影響を与え続けているCOVID-19との闘いにおいて重要なことは，重度のCOVID-19症状を呈して診療所を受診した患者を効果的にスクリーニングすることである．胸部X線検査は有望なスクリーニング方法の1つである。多くの研究が、ディープラーニングを使用して胸部X線からCOVID-19を正確に検出することを報告しています。多くの発表されたアプローチの重大な限界は、深層学習モデルによって行われる決定の説明に十分な注意が払われていないことである。説明可能な人工知能の方法を用いて、我々はモデルの決定が医学的病理学よりも交絡因子に依存する可能性があることを実証する。胸部X線画像に見られる潜在的な交絡因子を分析した後、その負の影響を最小限に抑えるための新しい方法を提案する。提案する手法は、胸部X線画像に含まれる心電図リードなど、モデルの分類決定に影響を与えることが多い交絡因子に対する従来の試みよりも、よりロバストであることを示す。また、本手法はロバストであることに加え、最先端技術に匹敵する結果を達成している。ソースコードと事前学習された重みは(https://github.com/tomek1911/POTHER)で公開されている。

要約(オリジナル)

A critical step in the fight against COVID-19, which continues to have a catastrophic impact on peoples lives, is the effective screening of patients presented in the clinics with severe COVID-19 symptoms. Chest radiography is one of the promising screening approaches. Many studies reported detecting COVID-19 in chest X-rays accurately using deep learning. A serious limitation of many published approaches is insufficient attention paid to explaining decisions made by deep learning models. Using explainable artificial intelligence methods, we demonstrate that model decisions may rely on confounding factors rather than medical pathology. After an analysis of potential confounding factors found on chest X-ray images, we propose a novel method to minimise their negative impact. We show that our proposed method is more robust than previous attempts to counter confounding factors such as ECG leads in chest X-rays that often influence model classification decisions. In addition to being robust, our method achieves results comparable to the state-of-the-art. The source code and pre-trained weights are publicly available at (https://github.com/tomek1911/POTHER).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL