谷歌人工智能研究人员团队在《自然》上发表了一篇新论文，深度学习可以检测出异常胸部 X 光片，其准确度可与专业放射科医生相媲美。

深度学习系统可以帮助放射科医师优先考虑胸部 X 光的检查，还可以在没有经验丰富的放射科医师的紧急情况下作为第一反应工具。研究结果表明，虽然深度学习还没有接近取代放射科医生，但在世界正面临医学专家严重短缺的情况下，它可以帮助提高他们的工作效率。

寻找异常胸部 X 光片

不可否认，人工智能驱动的医学影像分析的进步。现在有数十种医学成像深度学习系统已获得 FDA 和世界其他监管机构的正式批准。

但是这些模型中的大多数的问题在于，它们都是针对非常狭窄的任务进行训练的，例如在 X 射线图像中寻找特定疾病的痕迹和状况。因此，它们仅在放射科医生知道要寻找什么的情况下才有用。

但放射科医生不一定会从寻找特定疾病开始。建立一个可以检测所有可能疾病的系统是极其困难的——如果不是不可能的话。

谷歌的人工智能研究人员在他们的论文中写道：（胸部X射线）异常范围广泛，因此通过构建多个独立的系统来检测每一种可能的情况是不切实际的，每个系统都检测出一个或多个预先指定的条件。

他们的解决方案是创建一个深度学习系统来检测胸部扫描是否正常或包含临床可操作的结果。定义深度学习系统的问题领域是在找到特异性和普遍性之间的平衡。一方面是深度学习模型，它可以执行非常狭窄的任务（例如，检测肺炎或骨折），而代价是不能推广到其他任务（例如，检测结核病）。另一方面，系统可以回答更一般的问题（例如，此 X 射线扫描是否正常或是否需要进一步检查？）

谷歌研究人员的直觉是，即使经过训练的模型没有指出特定疾病，异常检测也会对放射科医生的工作产生很大影响。

研究人员写道：一个可靠的人工智能系统，能够区分正常的 CXR 和异常的 CXR ，有助于及时提高患者的工作和管理。

例如，这样的系统可以帮助降低或排除正常病例，从而加快临床过程。

尽管谷歌的研究人员没有提供他们使用的模型的精确细节，但论文提到了 EfficientNet，这是一个卷积神经网络 (CNN) 家族，以在计算机视觉任务上其他模型的计算成本的一小部分实现最先进的准确性而闻名。

B7 是用于 X 射线异常检测的模型，是 EfficientNet 系列中最大的模型，由 813 层和 6600 万个参数组成（尽管研究人员可能会根据他们的应用调整架构）。有趣的是，研究人员并没有使用谷歌的 TPU 处理器，而是使用了 10 个 Tesla V100 GPU 来训练模型。

避免深度学习模型中不必要的偏差

谷歌的人工智能研究人员采取了几个步骤来确保深度学习系统不会学习到有问题的偏差。

也许 Google 项目中最有趣的部分是为准备训练和测试数据集所做的大量工作。深度学习工程师经常面临的挑战是，他们的模型会发现隐藏在训练数据中的错误偏差。例如，在一个案例中，用于皮肤癌检测的深度学习系统错误地学会了检测皮肤上是否存在尺痕。在其他情况下，模型可能会对不相关的因素变得敏感，例如用于捕获图像的设备品牌。更重要的是，经过训练的模型可以在不同人群中保持其准确性，这一点很重要。

为了确保有问题的偏差不会蔓延到模型中，研究人员使用了六个独立的数据集进行训练和测试。

深度学习模型接受了来自印度五家医院的超过 250,000 次 X 射线扫描的训练。从结果报告中提取的信息，这些示例被标记为“正常”或“异常”。

然后，使用从印度、中国和美国的医院获得的新胸部 X 光片对该模型进行评估，以确保其推广到不同地区。

测试数据还包含训练数据集 TB 和 Covid-19 中未包含的两种疾病的 X 射线扫描，以检查模型对看不见的疾病的表现。

数据集中标签的准确性由三位放射科医生独立审查和确认。

研究人员已公开这些标签，以帮助未来对放射学的深度学习模型进行研究。“为了促进胸部 X 光检查 AI 模型的持续开发，我们将发布来自 3 个放射科医生（810 张图像上的 2430 个标签）的异常标签，用于公开提供的 CXR-14 测试集。我们相信这将对未来的工作有用，因为标签质量对于医疗保健领域的任何人工智能研究都至关重要，”研究人员写道。

通过深度学习增强放射科医生

当深度学习模型和放射科医生一起工作时，结果是提高了速度和生产力。

放射学在深度学习方面有着深厚的学习历史。

2016 年，深度学习先驱 Geoffrey Hinton 说：“我认为如果你是一名放射科医生，你就像一只已经越过悬崖边缘但还没有往下看的土狼，所以它还没有意识到他下面没有地面。人们现在应该停止培训放射科医生。很明显，在五年内，深度学习将比放射科医生做得更好，因为它会获得更多经验，也许可能需要十年的时间，但我们已经有很多放射科医生了。”

但五年后，人工智能并没有让放射科医生失业。事实上，尽管放射科医师的数量有所增加，但全球放射科医师仍然严重短缺，放射科医生的工作不仅仅是查看 X 射线扫描。

在他们的论文中，谷歌研究人员指出，他们的深度学习模型成功地检测到异常 X 射线，其准确性与人类放射科医生是可比的，在某些情况下甚至优于人类放射科医生。然而，他们也指出，该系统的真正好处在于它用于提高放射科医生的工作效率。

为了评估深度学习系统的效率，研究人员在两个模拟场景中对其进行了测试，该模型通过帮助放射科医生确定异常扫描的优先级或排除发现正常的扫描来帮助放射科医生。在这两种情况下，深度学习和放射科医生的结合都有明显的改善了周转时间。

研究人员写道：“无论是部署在相对健康的门诊实践中，还是部署在异常繁忙的住院或门诊环境中，这样的系统都可以帮助优先处理异常 CXR，以加快放射科医生的解释。”

Ben Dickson 是一名软件工程师，也是 TechTalks 的创始人。他撰写有关技术、商业和政治的文章。

参考链接：

https://venturebeat.com/2021/08/12/mural-co-founder-on-running-better-remote-meetings-and-ditching-the-useless-ones/

本文由AI科技大本营翻译，转载请注明出处。

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。