مقاله تشخیص قوی و قابل تفسیر Covid-19 در تصاویر اشعه ایکس قفسه سینه با استفاده از تمرینات متعارض

چکیده

The novel 2019 Coronavirus disease (COVID-19) global pandemic is a defining health crisis. Recent efforts have been increasingly directed towards achieving quick and accurate detection of COVID-19 across symptomatic patients to mitigate the intensity and spread of the disease. Artificial intelligence (AI) algorithms applied to chest X-ray (CXR) images have emerged as promising diagnostic tools, and previous work has demonstrated impressive classification performances. However, such methods have faced criticisms from physicians due to their black-box reasoning process and unpredictable nature. In contrast to professional radiologist diagnosis, AI systems often lack generalizability, explainability, and robustness in the clinical decision making process. In our work, we address these issues by first proposing an extensive baseline study, training and evaluating 21 convolutional neural network (CNN) models on a diverse set of 33,000+ CXR images to classify between healthy, COVID-19, and non-COVID-19 pneumonia CXRs. Our resulting models achieved a 3-way classification accuracy, recall, and precision of up to 97.03\%, 97.97\%, and 99.95\%, respectively. Next, we investigate the effectiveness of adversarial training on model robustness and explainability via Gradient-weighted Class Activation Mapping (Grad-CAM) heatmaps. We find that adversarially trained models not only significantly outperform their standard counterparts on classifying perturbed images, but also yield saliency maps that 1) better specify clinically relevant features, 2) are robust against extraneous artifacts, and 3) agree considerably more with expert radiologist findings.

چکیده به فارسی (ترجمه ماشینی)

رمان بیماری کروناویروس 2019 (COVID-19) همه گیر جهانی یک بحران بهداشتی تعیین کننده است.تلاش های اخیر به طور فزاینده ای در جهت دستیابی به تشخیص سریع و دقیق COVID-19 در بیماران علامتی برای کاهش شدت و گسترش بیماری انجام شده است.الگوریتم های هوش مصنوعی (AI) که برای تصاویر اشعه ایکس قفسه سینه (CXR) اعمال می شود به عنوان ابزارهای تشخیصی امیدوارکننده ظاهر شده اند ، و کارهای قبلی نمایش های طبقه بندی چشمگیر را نشان داده است.با این حال ، چنین روشهایی به دلیل روند استدلال در جعبه سیاه و ماهیت غیرقابل پیش بینی ، با انتقاداتی از سوی پزشکان روبرو شده است.بر خلاف تشخیص رادیولوژیست حرفه ای ، سیستم های هوش مصنوعی اغلب در فرایند تصمیم گیری بالینی فاقد تعمیم پذیری ، توضیح و استحکام هستند.در کار ما ، ما با ارائه یک مطالعه پایه گسترده ، آموزش و ارزیابی 21 مدل شبکه عصبی Convolutional (CNN) در مجموعه متنوعی از 33،000+ تصاویر CXR برای طبقه بندی بین سالم ، COVID-19 و غیر فایده-به این موضوعات می پردازیم.19 CXRS پنومونی.مدلهای حاصل ما به ترتیب به دقت طبقه بندی ، فراخوان و دقت طبقه بندی 3 طرفه ، به ترتیب تا 97.03 ٪ ، 97.97 ٪ و 99.95 ٪ دست یافتند.در مرحله بعد ، ما به بررسی اثربخشی آموزش های مخالف بر استحکام مدل و توضیح از طریق نقشه برداری فعال سازی کلاس با وزن شیب (درجه حرارت) می پردازیم.ما می دانیم که مدلهای آموزش دیده مخالف نه تنها به طور قابل توجهی از همتایان استاندارد خود در طبقه بندی تصاویر آشفته بهتر عمل می کنند ، بلکه نقشه های شوری را نیز به دست می آورند که 1) ویژگی های بالینی مرتبط را بهتر مشخص می کند ، 2) در برابر مصنوعات بیرونی قوی هستند ، و 3) با یافته های رادیولوژیست متخصص بسیار موافق هستندبشر