吴恩达团队新研究：通过胸片识别14种疾病，AI精度部分超过人-量子位

最近，吴恩达的斯坦福团队发布了一种基于深度神经网络的X射线诊断算法。

与以往肺炎检查的专门算法不同，本次CheXNeXt模型可诊断肺炎、胸腔积液、肺部肿瘤等14种疾病。

在其中10种疾病的诊断中，AI均与人类放射科医生的表现相当，另一种超过人类。而且AI的诊断速度是人类的160倍。

团队称，这样的算法有望填补医疗资源的不足，也可以用来减少疲劳导致的人类医生诊断错误。

AI医生如何创建最大的数据集

算法采用ChestX-ray14数据集进行训练，它是目前最大的X射线数据库，有11万多张正面胸片，来自3万多患者。

14、代表这些胸部疾病，总共包括14种肺部疾病。

每个胸片都会根据医生的放射学报告以自动提取的方式显示。

训练分为两个阶段

算法是多个神经网络的集合。

在第一步骤中，由于是自动显示，所以解决了标签部分不正确的问题。

具体方法是首先利用这些神经网络在数据集中训练14种疾病的预测。然后，使用这些预测重新显示数据集。

第二，拥有新的神经网络集合，用新的标记数据集进行训练。如果这次训练完成，AI可以诊断疾病。

那么AI预测过程中的重点在哪里呢。

图有重点

算法无需额外的监督，可使用胸片生成热图（Heat Map），相当于重点：

颜色越暖和的部分，对疾病诊断越有价值。

这是由类激活映射（CAM）完成的。

这样一来，AI就像人类一样，知道在诊断某种疾病时，哪里应该关注。

曼机器大赛训练结束后，球队找来了9名人类放射科医生来比赛。现在，请执行以下操作：。

6人来自学术机构，平均经验超过12年。

3人来自医院，是放射科的高级住院医生。

人类和AI需要识别的是420张正面胸片，包括14种疾病：

比赛结果如下。

在心脏肥大、肺气肿和疝气三项诊断中，AI明显不敌人类运动员的精准。

在肺不张的诊断中，AI的表现明显优于人类。

△正常心脏（左）vs肥大心脏（右）

在其他10个项目中，人类可以与AI匹敌。

总体而言，算法的诊断能力接近于医生。

所以还是看看速度吧。

420张图，AI 1.5分钟，人类240分钟。

吴恩达医生多年追求的“AI导致的医疗颠覆”之说，在时间上还是最为显著的。

One More Thing与研究成果一起发表的视频中，有一款名为Xray4All的手机应用程序，只要拍胸部照片就能让AI帮助诊断。

虽然不知道这会是多么遥远的未来，但在这次的人机游戏中，AI的表现让人看到了希望。

论文传送门：

https：//journals.plos.org/plosmedicine/articleid=10.1371/journal.pmed.放射科686