Google AI 又来放大绝，放射科医生会被取代吗？
▼
据 VentureBeat 报道，Google AI 利用人工智慧系统，借助数千个带有高品质标签的资料库，精准解读胸部 X 光图像。论文已发表在《自然》杂志。
近年来，Google AI 不断将目光投向医疗领域。去年，纽约大学利用 Google 的 Inception v3 机器学习模型检测出肺癌。今年 5 月，Google AI 和美国西北大学医学院的科学家们创建模型，透过筛查检测出肺癌，水准超过了有 8 年经验的放射科医生。
此外，Google AI 曾透过眼部扫描，诊断糖尿病视网膜病变的进展；Alphabet 子公司 DeepMind 的 AI 曾为 50 种眼部疾病推荐合适的治疗方案，准确率高达 94%。
那么，胸部 X 光图像解读是否也可以与人工智慧相结合？
实际上，用机器学习演算法分析胸部 X 光图像，说起来容易做起来难。这是由于在一般情况下，训练演算法所需的临床标签，是透过基于规则的自然语言处理或人工注释获得的，两者往往不一致，且错误较多。同时，仅以图像为依据，很难收集包含大量病例的资料库，并建立一致的、具有临床意义的标签。
近日，为推进 X 光图像分类的目标，Google 的研究人员发现，利用人工智慧模型分析胸部 X 光图像，可检测 4 项指标：气胸（肺萎陷）、结节和肿块、骨折和气腔模糊（树芽征）。在发表于《自然》（Nature）杂志的论文中，研究小组称，经专家独立审查，这个模型已达到放射科医生的水平。
这项最新研究，利用了来自两个反辨识资料库的 60 多万张图像。其一是与印度阿波罗医院合作开发的资料库，包含多年来从各地收集到的 X 光图像。其二是由美国国立卫生研究院发布的 ChestX-ray14 公开图像库，该图像库曾为人工智慧研究提供支援，但在准确性方面存在不足。
综观整个研究，首先，研究人员开发了一个基于文本的系统，提取每张 X 光片的放射学报告并加以运用，为阿波罗医院资料库中超过 56 万幅图像提供标签。为了减少基于文本的标签提取过程中可能出现的错误，并为若干 ChestX-ray14 图像提供相关标签，他们专门招募放射科医生，检查这两个资料库中的约 3.7 万幅图像。
下一步是生成用于模型评估的高品质参考标签。3 名放射科医生以小组合作的形式，审查所有结果，测试资料库图像，并线上讨论解决相互之间的分歧。这项研究的合着者也表示，经由这种方式，原先只能透过放射科医生检测到的结果，也能被准确地辨识并记录下来。
Google 指出，尽管这些模型的准确性总体上达到专家水平，但各个资料库的结果却各不相同。例如，对于 ChestX-ray14 图像，同一放射科医生检测气胸的灵敏度约为 79%，但对于其他资料库，检测气胸的灵敏度仅有 52%。
Google 科学家 David Steiner 博士和 Google Health 技术负责人 Shravya Shetty 均为该论文做了贡献，两人在一篇文章中提到：
资料库之间的差异，证明了建立具有明确参考指标的标准化评估图像库的必要性，方便在不同研究之间进行比较；但同时，将人工智慧和放射科医生各自的优势相结合，很可能是人工智慧应用于医学图像解读的最佳方式。
研究小组已经在开源中创建了 ChestX-ray14 资料库，资料库包含 2,412 个训练、验证集图像，1,962 个测试集图像，总共 4,374 个图像。David Steiner 和 Shravya Shetty 表示，他们希望透过 ChestX-ray14 资料库的判定标签，为以后的机器学习奠定基础，并推动机器学习模型之间的比较，进而更精准地解读胸部 X 光图像。
（本文由 雷锋网授权转载；首图来源：Google AI Blog）
延伸阅读：
▼
特别声明 本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。
