谷歌新深度學習系統可以促進放射科醫生的發展

谷歌人工智能研究人員團隊在《自然》上發表了一篇新論文，深度學習可以檢測出異常胸部 X 光片，其準確度可與專業放射科醫生相媲美。

深度學習系統可以幫助放射科醫師優先考慮胸部 X 光的檢查，還可以在沒有經驗豐富的放射科醫師的緊急情況下作為第一反應工具。研究結果表明，雖然深度學習還沒有接近取代放射科醫生，但在世界正面臨醫學專家嚴重短缺的情況下，它可以幫助提高他們的工作效率。

尋找異常胸部 X 光片

不可否認，人工智能驅動的醫學影像分析的進步。現在有數十種醫學成像深度學習系統已獲得 FDA 和世界其他監管機構的正式批準。

但是這些模型中的大多數的問題在于，它們都是針對非常狹窄的任務進行訓練的，例如在 X 射線圖像中尋找特定疾病的痕跡和狀況。因此，它們僅在放射科醫生知道要尋找什么的情況下才有用。

但放射科醫生不一定會從尋找特定疾病開始。建立一個可以檢測所有可能疾病的系統是極其困難的——如果不是不可能的話。

谷歌的人工智能研究人員在他們的論文中寫道：（胸部X射線）異常范圍廣泛，因此通過構建多個獨立的系統來檢測每一種可能的情況是不切實際的，每個系統都檢測出一個或多個預先指定的條件。

他們的解決方案是創建一個深度學習系統來檢測胸部掃描是否正常或包含臨床可操作的結果。定義深度學習系統的問題領域是在找到特異性和普遍性之間的平衡。一方面是深度學習模型，它可以執行非常狹窄的任務（例如，檢測肺炎或骨折），而代價是不能推廣到其他任務（例如，檢測結核病）。另一方面，系統可以回答更一般的問題（例如，此 X 射線掃描是否正常或是否需要進一步檢查？）

谷歌研究人員的直覺是，即使經過訓練的模型沒有指出特定疾病，異常檢測也會對放射科醫生的工作產生很大影響。

研究人員寫道：一個可靠的人工智能系統，能夠區分正常的 CXR 和異常的 CXR ，有助于及時提高患者的工作和管理。

例如，這樣的系統可以幫助降低或排除正常病例，從而加快臨床過程。

盡管谷歌的研究人員沒有提供他們使用的模型的精確細節，但論文提到了 EfficientNet，這是一個卷積神經網絡 (CNN) 家族，以在計算機視覺任務上其他模型的計算成本的一小部分實現最先進的準確性而聞名。

B7 是用于 X 射線異常檢測的模型，是 EfficientNet 系列中最大的模型，由 813 層和 6600 萬個參數組成（盡管研究人員可能會根據他們的應用調整架構）。有趣的是，研究人員并沒有使用谷歌的 TPU 處理器，而是使用了 10 個 Tesla V100 GPU 來訓練模型。

避免深度學習模型中不必要的偏差

谷歌的人工智能研究人員采取了幾個步驟來確保深度學習系統不會學習到有問題的偏差。

也許 Google 項目中最有趣的部分是為準備訓練和測試數據集所做的大量工作。深度學習工程師經常面臨的挑戰是，他們的模型會發現隱藏在訓練數據中的錯誤偏差。例如，在一個案例中，用于皮膚癌檢測的深度學習系統錯誤地學會了檢測皮膚上是否存在尺痕。在其他情況下，模型可能會對不相關的因素變得敏感，例如用于捕獲圖像的設備品牌。更重要的是，經過訓練的模型可以在不同人群中保持其準確性，這一點很重要。

為了確保有問題的偏差不會蔓延到模型中，研究人員使用了六個獨立的數據集進行訓練和測試。

深度學習模型接受了來自印度五家醫院的超過 250,000 次 X 射線掃描的訓練。從結果報告中提取的信息，這些示例被標記為“正常”或“異常”。

然后，使用從印度、中國和美國的醫院獲得的新胸部 X 光片對該模型進行評估，以確保其推廣到不同地區。

測試數據還包含訓練數據集 TB 和 Covid-19 中未包含的兩種疾病的 X 射線掃描，以檢查模型對看不見的疾病的表現。

數據集中標簽的準確性由三位放射科醫生獨立審查和確認。

研究人員已公開這些標簽，以幫助未來對放射學的深度學習模型進行研究。“為了促進胸部 X 光檢查 AI 模型的持續開發，我們將發布來自 3 個放射科醫生（810 張圖像上的 2430 個標簽）的異常標簽，用于公開提供的 CXR-14 測試集。我們相信這將對未來的工作有用，因為標簽質量對于醫療保健領域的任何人工智能研究都至關重要，”研究人員寫道。

通過深度學習增強放射科醫生

當深度學習模型和放射科醫生一起工作時，結果是提高了速度和生產力。

放射學在深度學習方面有著深厚的學習歷史。

2016 年，深度學習先驅 Geoffrey Hinton 說：“我認為如果你是一名放射科醫生，你就像一只已經越過懸崖邊緣但還沒有往下看的土狼，所以它還沒有意識到他下面沒有地面。人們現在應該停止培訓放射科醫生。很明顯，在五年內，深度學習將比放射科醫生做得更好，因為它會獲得更多經驗，也許可能需要十年的時間，但我們已經有很多放射科醫生了。”

但五年后，人工智能并沒有讓放射科醫生失業。事實上，盡管放射科醫師的數量有所增加，但全球放射科醫師仍然嚴重短缺，放射科醫生的工作不僅僅是查看 X 射線掃描。

在他們的論文中，谷歌研究人員指出，他們的深度學習模型成功地檢測到異常 X 射線，其準確性與人類放射科醫生是可比的，在某些情況下甚至優于人類放射科醫生。然而，他們也指出，該系統的真正好處在于它用于提高放射科醫生的工作效率。

為了評估深度學習系統的效率，研究人員在兩個模擬場景中對其進行了測試，該模型通過幫助放射科醫生確定異常掃描的優先級或排除發現正常的掃描來幫助放射科醫生。在這兩種情況下，深度學習和放射科醫生的結合都有明顯的改善了周轉時間。

研究人員寫道：“無論是部署在相對健康的門診實踐中，還是部署在異常繁忙的住院或門診環境中，這樣的系統都可以幫助優先處理異常 CXR，以加快放射科醫生的解釋。”

Ben Dickson 是一名軟件工程師，也是 TechTalks 的創始人。他撰寫有關技術、商業和政治的文章。

參考鏈接：

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

本文由AI科技大本營翻譯，轉載請注明出處。