摘要：選自StanfordMLGroup作者：PranavRajpurkar等機器之心編譯參與：李澤南機器學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用一直是AI的重要發(fā)展方向，深度學(xué)習(xí)著名學(xué)者吳恩達和他在斯坦福大學(xué)的團隊一直在這一

選自Stanford ML Group

作者：Pranav Rajpurkar等

機器之心編譯

參與：李澤南

機器學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用一直是 AI 的重要發(fā)展方向，深度學(xué)習(xí)著名學(xué)者吳恩達和他在斯坦福大學(xué)的團隊一直在這一方面做著努力。近日，該團隊提交的一篇新論文提出了名為 CheXNet 的新技術(shù)。研究人員在論文中表示：新的技術(shù)已經(jīng)在識別胸透照片中肺炎等疾病上的準(zhǔn)確率上超越了人類專業(yè)醫(yī)師。吳恩達表示，或許放射科醫(yī)生們需要開始擔(dān)心他們的工作了。

僅在美國，每年就有超過 100 萬成年人因為肺炎住院，5 萬人因為該病而死亡（CDC, 2017）。目前，胸部 X 光檢查是診斷肺炎的最佳方法（WHO, 2001），這種方法在臨床護理和流行病學(xué)研究中發(fā)揮著重要作用。然而，通過 X 光片診斷肺炎是一個具有挑戰(zhàn)性的任務(wù)，需要放射科醫(yī)師專家級的判斷能力。在斯坦福大學(xué)發(fā)表的新論文中，計算機科學(xué)院和醫(yī)學(xué)院的研究人員共同提出了一種新的機器學(xué)習(xí)模型，可以讓計算機通過胸透照片自動診斷肺炎，其診斷準(zhǔn)確率超過了放射科醫(yī)師。

圖 1. ChexNet 是一個 121 層的卷積神經(jīng)網(wǎng)絡(luò)，以胸透圖片為輸入，輸出患病概率。在這個例子中，CheXnet 準(zhǔn)確地探測到了肺炎，同時定位了圖片中最有可能患病的位置。

CheXNet 可以輸出肺炎存在可能性的熱區(qū)圖。研究人員在最近發(fā)布的 ChestX-ray14 數(shù)據(jù)集（Wang et al., 2017）上訓(xùn)練了 CheXNet。該數(shù)據(jù)集包含 112,120 張各自標(biāo)注最多有 14 種不同胸部疾?。òǚ窝祝┑恼嫘赝笀D像。研究人員使用密集連接（Huang et al., 2016）與批歸一化（Ioffe & Szegedy, 2015）來優(yōu)化這一深度神經(jīng)網(wǎng)絡(luò)。

圖 2. CheXNet 在使用胸透圖像識別肺炎任務(wù)上的表現(xiàn)要超過放射科醫(yī)師的平均水平。在測試中，CheXNet 與四名人類放射科醫(yī)師在敏感度（衡量正確識別陽性的能力）以及特異性（衡量正確識別陰性的能力）上進行比較。放射科醫(yī)生的個人表現(xiàn)以橙色點標(biāo)記，平均值以綠色點標(biāo)記。CheXNet 輸出從胸透照片上檢測出的患肺炎概率，藍(lán)色曲線是分類閾值形成的。所有醫(yī)師的敏感度-特異性點均低于藍(lán)色曲線，這意味著 CheXNet 在肺炎上的診斷水平與放射科醫(yī)師相同，甚至更高。

從胸部 X 光檢查照片中檢測肺炎對于放射科醫(yī)師而言是一個困難的任務(wù)。因為肺炎在照片上的表現(xiàn)經(jīng)常難以識別——它可能會與其他病癥重疊，也可以與其他很多良性異常類似。這些原因?qū)е路派淇漆t(yī)師在診斷肺炎時表現(xiàn)差異很大（Neuman et al., 2012；Davies et al., 1996；Hopstaken et al., 2004）。為了評估放射科醫(yī)師的表現(xiàn)，斯坦福大學(xué)的研究人員找來了四名專業(yè)放射科醫(yī)師，使用 ChestX-ray14 子集的 420 張圖片對他們進行了測試。在這 420 張圖片里，診斷正確與否的標(biāo)準(zhǔn)為其他大多數(shù)放射科醫(yī)生的投票結(jié)果，與此同時，CheXNet 模型也以同樣的標(biāo)準(zhǔn)進行了測試。

研究人員發(fā)現(xiàn)，CheXNet 在敏感度與特異性兩個方面均超過了放射科醫(yī)師的平均水平。為了對比 CheXNet 與此前使用 ChestX-ray14 的模型的能力，研究人員橫向?qū)Ρ攘诵履Ｐ团c其他模型在 ChestX-ray14 上對于十四種疾病的診斷準(zhǔn)確率，結(jié)果發(fā)現(xiàn)新模型的表現(xiàn)在所有方面均超過了前人的結(jié)果。以超過專業(yè)放射科醫(yī)師的水平自動對胸透照片進行分析診斷疾病不僅在臨床上可以為我們帶來更多方便，也可以在醫(yī)療影像專業(yè)人士數(shù)量不足的情況下為病人帶來幫助。

表 1. CheXNet 在 ChestX-ray14 數(shù)據(jù)集中 14 種病變的檢測結(jié)果與另外兩種模型的對比。在檢測腫塊、結(jié)節(jié)、肺炎、氣胸和肺氣腫時，CheXNet 的表現(xiàn)超越了此前業(yè)內(nèi)最佳水平至少 0.05。

圖 3. 使用 Class Activation Maps，ChexNet 定位了它識別出的病變，高亮區(qū)域是分析病癥需要重點觀察的位置。

論文：CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

摘要：?我們開發(fā)了一種全新算法，能夠從胸透照片里檢測肺炎，且水平超越專業(yè)放射科醫(yī)生。我們的算法被稱為 CheXNet，它是一個 121 層的卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)在目前最大的開放式胸透照片數(shù)據(jù)集「ChestX-ray14」上進行訓(xùn)練。ChestX-ray14 數(shù)據(jù)集包含 14 種疾病的 10 萬張前視圖 X-ray 圖像。在實驗中，4 名專業(yè)的放射科學(xué)者在測試數(shù)據(jù)集上進行手動注釋，并與 CheXNet 的表現(xiàn)進行對比。我們發(fā)現(xiàn)，在肺炎檢測的敏感性與特異性上，CheXNet 的準(zhǔn)確率超越了普通的放射科醫(yī)生。我們把 CheXNet 應(yīng)用到對 ChestX-ray14 數(shù)據(jù)集中 14 種疾病的檢測上，也取得了頂尖的結(jié)果。