摘要
发表在《放射学》杂志上的一项研究表明，被称为“深度学习”的人工智能为人工智能胸部造影模型的未来发展提供了宝贵的资源。
发表在《放射学》杂志上的一项研究显示，被称为“深度学习”的人工智能为人工智能胸部造影模型的未来发展提供了宝贵的资源。
胸部x光检查是世界上最常见的影像学检查之一，其目的是帮助诊断咳嗽、发烧和疼痛等症状的来源。尽管广受欢迎，但这项考试也有其局限性。
“我们发现胸部x光片的解读有很多主观性，”研究的合著者之一、加州帕洛阿尔托谷歌健康中心的工程主管Shravya Shetty说。“重要临床发现的显著的读者间差异和次优的敏感性可能会限制其有效性。”
深度学习是一种复杂的人工智能，计算机可以通过训练来识别细微的模式，它有可能改善x光胸透的解读，但它也有局限性。例如，来自一组患者的结果不能总是推广到整个人群。
他们使用两个大型数据集来开发、训练和测试这些模型。第一个数据集包括来自印度5家医院的75万多张图像，而第二个数据集包括由美国国立卫生研究院(NIH)公开提供的112,120张图像。
一个放射科专家小组召开会议，为用于训练模型的胸部x光片中某些可见异常制定参考标准。
谷歌Health的产品经理、医学博士Daniel Tse说:“x光胸透通常是一种定性评估，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光数据和小组评审，我们能够对模型做出更可靠的评估。”
深度学习模型的测试表明,他们的表现与放射科医生在额胸部x光检测四个结果,包括骨折、结节或质量,不透明度(异常出现在x射线通常是指示性的疾病)和气胸(空气或气体的存在之间的空腔肺和胸壁)。
放射学家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。总体的共识从最初阅读后的略高于41%增加到裁决后的近97%。
研究人员说，严格的模型评估技术比现有的方法有优势。从一个广泛的、基于医院的临床图像集开始，然后对不同的病例集进行抽样，并报告人口调整指标，结果更具有代表性和可比性。此外，放射医师裁决提供了一个参考标准，可以比其他方法更敏感和更一致。
“我们相信，这项研究中使用的数据抽样有助于更准确地反映这些情况的发病率，”谢博士说。“在未来，深度学习可以提供一个有用的资源，以促进继续发展临床有用的人工智能胸部摄影模型。”该研究小组已将数千幅NIH图像的专家评审标签提供给其他研究人员使用，链接如下:
https://cloud.google.com/healthcare/docs/resources/public-datasets/nih-chest additional_labels。谢蒂说:“美国国立卫生研究院的数据库是一个非常重要的资源，但是目前的标签很嘈杂，这使得很难解释根据这些数据发表的结果。”“我们希望我们标签的发布将有助于这一领域的进一步研究。”
来源：Medindia
此文系悬壶济世网原创整理，没有授权，请勿转载！
