深度学习显示改善X线胸片解读的潜力

根据《放射学》杂志上发表的一项研究，一种先进的人工智能(AI)可以像有经验的放射科医生一样有效地检测出具有临床意义的胸部X光检查结果。研究人员表示，他们的发现基于一种称为深度学习的AI，可以为AI胸部X射线照相模型的未来发展提供宝贵的资源。

胸部X光检查或X射线检查是全球最常见的影像学检查之一，旨在帮助诊断咳嗽，发烧和疼痛等症状的来源。尽管它很受欢迎，但是考试还是有局限性的。

我们发现，胸部X光片的解释有很多主观性。阅读器之间的重要变异性和检测重要临床发现的次优敏感性可能会限制其有效性。”

深度学习是一种复杂的AI类型，可以训练计算机识别细微的模式，它有可能改善胸部X射线解释能力，但它也有局限性。例如，源自一组患者的结果不能总是推广到整个人群。

Google Health的研究人员开发了用于胸部X射线解释的深度学习模型，该模型克服了其中一些限制。他们使用两个大型数据集来开发，训练和测试模型。第一个数据集包含来自印度五家医院的超过750,000张图像，而第二个数据集包含国立卫生研究院(NIH)公开提供的112,120张图像。

放射科医生小组召集起来，为用于训练模型的胸部X射线上可见的某些异常情况创建参考标准。

Google Health产品经理医学博士Daniel Tse说：“胸部X射线解释通常是定性评估，从深度学习的角度来看这是有问题的。“通过使用大量多样的胸部X射线数据和基于面板的裁决，我们能够对模型进行更可靠的评估。”

深度学习模型的测试表明，它们与放射线医生的表现相当，可检测到额胸X线片的四个发现，包括骨折，结节或肿块，不透明(X线片上的异常外观，通常指示疾病)和气胸(肺和胸壁之间的空腔中存在空气或气体)。

放射科医生的裁决导致专家对用于模型调整和性能评估的标签的共识增加。总体共识从最初阅读后的略高于41%增长到裁决后的近97%。

研究人员说，严格的模型评估技术比现有方法具有优势。首先从基于医院的广泛临床影像集开始，然后对各种病例进行采样并报告人口调整指标，结果将更具代表性和可比性。另外，放射科医生的裁决提供了一个参考标准，该参考标准比其他方法更敏感，更一致。

谢医生说：“我们相信这项工作中使用的数据采样有助于更准确地表示这些情况的发生率。” “向前迈进，深度学习可以提供有用的资源，以促进继续开发用于胸部X线照相的临床有用的AI模型。”

研究小组已通过以下链接为其他研究人员提供了数千种NIH图像的专家评审标签：https：// 云。谷歌。com / Healthcare / docs / resources / public-datasets / nih-chest#additional_labels。

Shetty说：“ NIH数据库是一个非常重要的资源，但是当前的标签很嘈杂，这使得解释这些数据的结果变得困难。” “我们希望标签的发布将有助于该领域的进一步研究。”

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如有侵权行为，请第一时间联系我们修改或删除，多谢。

大脑扫描预测你的学习技巧