谷歌新深度學習系統(tǒng)可以促進放射科醫(yī)生的發(fā)展

谷歌人工智能研究人員團隊在《自然》上發(fā)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(yè)放射科醫(yī)生相媲美。

深度學習系統(tǒng)可以幫助放射科醫(yī)師優(yōu)先考慮胸部 X 光的檢查，還可以在沒有經(jīng)驗豐富的放射科醫(yī)師的緊急情況下作為第一反應工具。研究結(jié)果表明，雖然深度學習還沒有接近取代放射科醫(yī)生，但在世界正面臨醫(yī)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(qū)動的醫(yī)學影像分析的進步?，F(xiàn)在有數(shù)十種醫(yī)學成像深度學習系統(tǒng)已獲得 FDA 和世界其他監(jiān)管機構(gòu)的正式批準。

但是這些模型中的大多數(shù)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(yī)生知道要尋找什么的情況下才有用。

但放射科醫(yī)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(tǒng)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(gòu)建多個獨立的系統(tǒng)來檢測每一種可能的情況是不切實際的，每個系統(tǒng)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(chuàng)建一個深度學習系統(tǒng)來檢測胸部掃描是否正?；虬R床可操作的結(jié)果。定義深度學習系統(tǒng)的問題領(lǐng)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(zhí)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(jié)核?。Ａ硪环矫?，系統(tǒng)可以回答更一般的問題（例如，此 X 射線掃描是否正?；蚴欠裥枰M一步檢查？）

谷歌研究人員的直覺是，即使經(jīng)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(yī)生的工作產(chǎn)生很大影響。

研究人員寫道：一個可靠的人工智能系統(tǒng)，能夠區(qū)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(tǒng)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(jié)，但論文提到了 EfficientNet，這是一個卷積神經(jīng)網(wǎng)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(xiàn)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(shù)組成（盡管研究人員可能會根據(jù)他們的應用調(diào)整架構(gòu)）。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(tǒng)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(shù)據(jù)集所做的大量工作。深度學習工程師經(jīng)常面臨的挑戰(zhàn)是，他們的模型會發(fā)現(xiàn)隱藏在訓練數(shù)據(jù)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(tǒng)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(guān)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(jīng)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(shù)據(jù)集進行訓練和測試。

深度學習模型接受了來自印度五家醫(yī)院的超過 250,000 次 X 射線掃描的訓練。從結(jié)果報告中提取的信息，這些示例被標記為“正?！被颉爱惓！?。

然后，使用從印度、中國和美國的醫(yī)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(qū)。

測試數(shù)據(jù)還包含訓練數(shù)據(jù)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(xiàn)。

數(shù)據(jù)集中標簽的準確性由三位放射科醫(yī)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(xù)開發(fā)，我們將發(fā)布來自 3 個放射科醫(yī)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(zhì)量對于醫(yī)療保健領(lǐng)域的任何人工智能研究都至關(guān)重要，”研究人員寫道。

通過深度學習增強放射科醫(yī)生

當深度學習模型和放射科醫(yī)生一起工作時，結(jié)果是提高了速度和生產(chǎn)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(qū) Geoffrey Hinton 說：“我認為如果你是一名放射科醫(yī)生，你就像一只已經(jīng)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(xiàn)在應該停止培訓放射科醫(yī)生。很明顯，在五年內(nèi)，深度學習將比放射科醫(yī)生做得更好，因為它會獲得更多經(jīng)驗，也許可能需要十年的時間，但我們已經(jīng)有很多放射科醫(yī)生了?！?/p>

但五年后，人工智能并沒有讓放射科醫(yī)生失業(yè)。事實上，盡管放射科醫(yī)師的數(shù)量有所增加，但全球放射科醫(yī)師仍然嚴重短缺，放射科醫(yī)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(yī)生是可比的，在某些情況下甚至優(yōu)于人類放射科醫(yī)生。然而，他們也指出，該系統(tǒng)的真正好處在于它用于提高放射科醫(yī)生的工作效率。

為了評估深度學習系統(tǒng)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(yī)生確定異常掃描的優(yōu)先級或排除發(fā)現(xiàn)正常的掃描來幫助放射科醫(yī)生。在這兩種情況下，深度學習和放射科醫(yī)生的結(jié)合都有明顯的改善了周轉(zhuǎn)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(huán)境中，這樣的系統(tǒng)都可以幫助優(yōu)先處理異常 CXR，以加快放射科醫(yī)生的解釋?！?/p>

Ben Dickson 是一名軟件工程師，也是 TechTalks 的創(chuàng)始人。他撰寫有關(guān)技術(shù)、商業(yè)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(zhuǎn)載請注明出處。