谷歌新深度學(xué)習(xí)系統(tǒng)可以促進(jìn)放射科醫(yī)生的發(fā)展

谷歌人工智能研究人員團(tuán)隊(duì)在《自然》上發(fā)表了一篇新論文，深度學(xué)習(xí)可以檢測(cè)出異常胸部 X 光片，其準(zhǔn)確度可與專業(yè)放射科醫(yī)生相媲美。

深度學(xué)習(xí)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(yàn)豐富的放射科醫(yī)師的緊急情況下作為第一反應(yīng)工具。研究結(jié)果表明，雖然深度學(xué)習(xí)還沒有接近取代放射科醫(yī)生，但在世界正面臨醫(yī)學(xué)專家嚴(yán)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(rèn)，人工智能驅(qū)動(dòng)的醫(yī)學(xué)影像分析的進(jìn)步?，F(xiàn)在有數(shù)十種醫(yī)學(xué)成像深度學(xué)習(xí)系統(tǒng)已獲得 FDA 和世界其他監(jiān)管機(jī)構(gòu)的正式批準(zhǔn)。

但是這些模型中的大多數(shù)的問題在于，它們都是針對(duì)非常狹窄的任務(wù)進(jìn)行訓(xùn)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(huì)從尋找特定疾病開始。建立一個(gè)可以檢測(cè)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(gè)獨(dú)立的系統(tǒng)來檢測(cè)每一種可能的情況是不切實(shí)際的，每個(gè)系統(tǒng)都檢測(cè)出一個(gè)或多個(gè)預(yù)先指定的條件。

他們的解決方案是創(chuàng)建一個(gè)深度學(xué)習(xí)系統(tǒng)來檢測(cè)胸部掃描是否正?；虬R床可操作的結(jié)果。定義深度學(xué)習(xí)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(xué)習(xí)模型，它可以執(zhí)行非常狹窄的任務(wù)（例如，檢測(cè)肺炎或骨折），而代價(jià)是不能推廣到其他任務(wù)（例如，檢測(cè)結(jié)核?。?。另一方面，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(jìn)一步檢查？）

谷歌研究人員的直覺是，即使經(jīng)過訓(xùn)練的模型沒有指出特定疾病，異常檢測(cè)也會(huì)對(duì)放射科醫(yī)生的工作產(chǎn)生很大影響。

研究人員寫道：一個(gè)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(shí)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(xì)節(jié)，但論文提到了 EfficientNet，這是一個(gè)卷積神經(jīng)網(wǎng)絡(luò) (CNN) 家族，以在計(jì)算機(jī)視覺任務(wù)上其他模型的計(jì)算成本的一小部分實(shí)現(xiàn)最先進(jìn)的準(zhǔn)確性而聞名。

B7 是用于 X 射線異常檢測(cè)的模型，是 EfficientNet 系列中最大的模型，由 813 層和 6600 萬(wàn)個(gè)參數(shù)組成（盡管研究人員可能會(huì)根據(jù)他們的應(yīng)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(gè) Tesla V100 GPU 來訓(xùn)練模型。

避免深度學(xué)習(xí)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(gè)步驟來確保深度學(xué)習(xí)系統(tǒng)不會(huì)學(xué)習(xí)到有問題的偏差。

也許 Google 項(xiàng)目中最有趣的部分是為準(zhǔn)備訓(xùn)練和測(cè)試數(shù)據(jù)集所做的大量工作。深度學(xué)習(xí)工程師經(jīng)常面臨的挑戰(zhàn)是，他們的模型會(huì)發(fā)現(xiàn)隱藏在訓(xùn)練數(shù)據(jù)中的錯(cuò)誤偏差。例如，在一個(gè)案例中，用于皮膚癌檢測(cè)的深度學(xué)習(xí)系統(tǒng)錯(cuò)誤地學(xué)會(huì)了檢測(cè)皮膚上是否存在尺痕。在其他情況下，模型可能會(huì)對(duì)不相關(guān)的因素變得敏感，例如用于捕獲圖像的設(shè)備品牌。更重要的是，經(jīng)過訓(xùn)練的模型可以在不同人群中保持其準(zhǔn)確性，這一點(diǎn)很重要。

為了確保有問題的偏差不會(huì)蔓延到模型中，研究人員使用了六個(gè)獨(dú)立的數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。

深度學(xué)習(xí)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(xùn)練。從結(jié)果報(bào)告中提取的信息，這些示例被標(biāo)記為“正?！被颉爱惓！?。

然后，使用從印度、中國(guó)和美國(guó)的醫(yī)院獲得的新胸部 X 光片對(duì)該模型進(jìn)行評(píng)估，以確保其推廣到不同地區(qū)。

測(cè)試數(shù)據(jù)還包含訓(xùn)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(duì)看不見的疾病的表現(xiàn)。

數(shù)據(jù)集中標(biāo)簽的準(zhǔn)確性由三位放射科醫(yī)生獨(dú)立審查和確認(rèn)。

研究人員已公開這些標(biāo)簽，以幫助未來對(duì)放射學(xué)的深度學(xué)習(xí)模型進(jìn)行研究?！盀榱舜龠M(jìn)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(gè)放射科醫(yī)生（810 張圖像上的 2430 個(gè)標(biāo)簽）的異常標(biāo)簽，用于公開提供的 CXR-14 測(cè)試集。我們相信這將對(duì)未來的工作有用，因?yàn)闃?biāo)簽質(zhì)量對(duì)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(xué)習(xí)增強(qiáng)放射科醫(yī)生

當(dāng)深度學(xué)習(xí)模型和放射科醫(yī)生一起工作時(shí)，結(jié)果是提高了速度和生產(chǎn)力。

放射學(xué)在深度學(xué)習(xí)方面有著深厚的學(xué)習(xí)歷史。

2016 年，深度學(xué)習(xí)先驅(qū) Geoffrey Hinton 說：“我認(rèn)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(shí)到他下面沒有地面。人們現(xiàn)在應(yīng)該停止培訓(xùn)放射科醫(yī)生。很明顯，在五年內(nèi)，深度學(xué)習(xí)將比放射科醫(yī)生做得更好，因?yàn)樗鼤?huì)獲得更多經(jīng)驗(yàn)，也許可能需要十年的時(shí)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(shí)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(yán)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(xué)習(xí)模型成功地檢測(cè)到異常 X 射線，其準(zhǔn)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(píng)估深度學(xué)習(xí)系統(tǒng)的效率，研究人員在兩個(gè)模擬場(chǎng)景中對(duì)其進(jìn)行了測(cè)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(jí)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(xué)習(xí)和放射科醫(yī)生的結(jié)合都有明顯的改善了周轉(zhuǎn)時(shí)間。

研究人員寫道：“無論是部署在相對(duì)健康的門診實(shí)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(yíng)翻譯，轉(zhuǎn)載請(qǐng)注明出處。