Interpretation von Thorax-RTs mittels CNNs, die hierarchische Krankheitsabhängigkeiten und Unsicherheitslabels ausnutzen

Die Röntgenaufnahme des Thorax ist eine der häufigsten Formen diagnostischer Radiologieuntersuchungen und von entscheidender Bedeutung für die Früherkennung und Diagnose vieler thorakaler Erkrankungen. Spezialisierte Algorithmen wurden bereits entwickelt, um bestimmte Pathologien wie Lungenknötchen oder Lungenkrebs zu detektieren. Die genaue Erkennung mehrerer Erkrankungen gleichzeitig anhand von Thorax-Röntgenaufnahmen (CXR) stellt jedoch weiterhin eine herausfordernde Aufgabe dar. In diesem Artikel präsentieren wir einen überwachten Multi-Label-Klassifizierungsansatz basierend auf tiefen konvolutionellen neuronalen Netzwerken (CNN), der zur Vorhersage des Risikos von 14 häufigen thorakalen Erkrankungen eingesetzt wird. Wir adressieren dieses Problem durch das Training von State-of-the-Art-CNNs, die Abhängigkeiten zwischen abnormen Befundlabels ausnutzen. Zudem schlagen wir die Anwendung der Label-Smoothing-Technik vor, um unsichere Proben besser zu behandeln, die einen erheblichen Anteil fast jeder CXR-Datensammlung ausmachen. Unser Modell wurde auf über 200.000 CXR-Aufnahmen des kürzlich veröffentlichten CheXpert-Datensatzes trainiert und erreicht auf dem Validierungssatz einen durchschnittlichen Area-Under-the-Curve-Wert (AUC) von 0,940 bei der Vorhersage von fünf ausgewählten Pathologien. Dies ist der bisher höchste AUC-Wert, der in der Literatur berichtet wurde. Die vorgeschlagene Methode wurde zudem anhand der unabhängigen Testmenge des CheXpert-Wettbewerbs evaluiert, die aus 500 CXR-Studien besteht, die von einem Gremium aus fünf erfahrenen Radiologen annotiert wurden. Die Leistung liegt im Durchschnitt besser als die von 2,6 von 3 einzelnen Radiologen und erreicht eine durchschnittliche AUC von 0,930, was den ersten Platz auf dem CheXpert-Leaderboard zum Zeitpunkt der Verfassung dieses Artikels bedeutet.