Google AI 又來放大招，放射科醫生會被取代嗎？

• 2019 年 12 月 18 日
• 筆記

圖片來源：VentureBeat 所有者：VentureBeat

作者 | 李帥飛 編輯 | 唐里

據 VentureBeat 報道，Google AI 利用人工智慧系統，藉助數千個帶有高品質標籤的資料庫，精準解讀胸部 X 射線影像。論文已發表在《自然》雜誌。

近年來，Google AI 不斷將目光投向醫療領域。去年，紐約大學利用 Google 的 Inception v3 機器學習模型檢測出肺癌。今年 5 月，Google AI 和美國西北大學醫學院的科學家們創建模型，通過篩查檢測出肺癌，水平超過了有 8 年經驗的放射科醫生。

此外，Google AI 曾通過眼部掃描，診斷糖尿病視網膜病變的進展；Alphabet 子公司 DeepMind 的 AI 曾為 50 種眼部疾病推薦合適的治療方案，準確率高達 94%。

那麼，胸部 X 射線影像解讀是否也可以與人工智慧相結合？

實際上，用機器學習演算法分析胸部 X 射線影像，說起來容易做起來難。這是由於在通常情況下，訓練演算法所需的臨床標籤，是通過基於規則的自然語言處理或人工注釋獲得的，兩者往往不一致，且錯誤較多。同時，僅以影像為依據，很難收集包含大量病例的資料庫，並建立一致的、具有臨床意義的標籤。

近日，為推進 X 射線影像分類的目標，Google 的研究人員發現，利用人工智慧模型分析胸部 X 射線影像，可檢測四項指標：氣胸（肺萎陷）、結節和腫塊、骨折和氣腔模糊（樹芽征）。在一篇發表在《自然》（Nature）雜誌的論文中，研究小組稱，經專家獨立審查，這一模型已達到放射科醫生的水平。

這項最新研究，利用了來自兩個反識別資料庫的 60 多萬張影像。其一是與印度阿波羅醫院合作開發的資料庫，包含多年來從各地收集到的 X 射線。其二是由美國國立衛生研究院發布的 ChestX-ray14 公開影像庫，該影像庫曾為人工智慧研究提供支援，但在準確性方面存在不足。

縱觀整個研究，首先，研究人員開發了一個基於文本的系統，提取每張 X 光片的放射學報告並加以運用，為阿波羅醫院資料庫中超過 56 萬幅影像提供標籤。為了減少基於文本的標籤提取過程中可能出現的錯誤，並為若干 ChestX-ray14 影像提供相關標籤，他們專門招募放射科醫生，檢查這兩個資料庫中的約 3.7 萬幅影像。

下一步是生成用於模型評估的高品質參考標籤。三名放射科醫生通過小組合作的形式，審查所有結果，測試資料庫影像，並在線討論解決相互之間的分歧。這項研究的合著者也表示，通過這種方式，原先只能通過放射科醫生檢測到的結果，也能被準確地識別並記錄下來。

Google 指出，儘管這些模型的準確性總體上達到了專家水平，但各個資料庫的結果卻各不相同。例如，對於 ChestX-ray14 影像，同一放射科醫生檢測氣胸的靈敏度約為 79%，但對於其他資料庫，檢測氣胸的靈敏度僅有 52%。

Google 科學家 David Steiner 博士和 Google Health 技術負責人 Shravya Shetty 均為該論文做了貢獻，兩人在一篇部落格中提到：

資料庫之間的差異，證明了建立具有明確參考指標的標準化評估影像庫的必要性，方便在不同研究之間進行比較。但同時，將人工智慧和放射科醫生各自的優勢相結合，很可能是人工智慧應用於醫學影像解讀的最佳方式。

研究小組已經在開源中創建了 ChestX-ray14 資料庫，資料庫包含 2412 個訓練、驗證集影像，1962 個測試集影像，總共 4374 個影像。David Steiner 和 Shravya Shetty 表示，他們希望通過 ChestX-ray14 資料庫的判定標籤，為以後的機器學習奠定基礎，並推動機器學習模型之間的比較，從而更精準地解讀胸部 X 射線影像。