发帖
雷达卡
最近，吴恩达的斯坦福团队发布了一个X光诊断算法，基于深度神经网络。
与曾经的肺炎检测专门算法不同，这次的CheXNeXt模型，可以诊断14种疾病，包括肺炎、胸腔积液、肺肿块等等。
在其中10种疾病的诊断上，AI都与人类放射科医生的表现相当，还有一种超过了人类。并且，AI的诊断速度是人类的160倍。
团队说，这样的算法有希望填补医疗资源的短缺，也可以用来减少人类医生因为疲劳而导致的诊断错误。
AI医生如何炼成最大的数据集
算法是用ChestX-ray14数据集来训练的，这是目前最大的X光数据库，有超过11万张正面胸片，来自3万多位患者。
14，就代表这些胸片里，总共包含了14种肺部疾病。
每一张胸片都要标注，是根据医生的放射学报告，用自动提取 (Automatic Extaction) 的方法来标注的。
训练过程分两步算法是由多个神经网络集合而成。
第一步，由于是自动标注，所以要解决标签部分不正确 (Partially Incorrect) 的问题。
具体方法是，先让这些神经网络，在数据集里训练14种疾病的预测。然后用它们做出的预测，来重新标注数据集。
第二步，再拿一个新的神经网络集合，在新标注的数据集上训练。这次训练完成，AI就可以去诊断疾病了。
那么，AI预测过程中的重点在哪里？
图上有重点算法不需要任何额外的监督，就可以用胸片来生成热图 (Heat Map) ，相当于划重点：
颜色越暖的部分，对疾病诊断越有价值。
这是依靠类激活图 (Class Activation Mapping，CAM) 来完成的。
如此一来，AI就像人类一样，知道诊断某种疾病的时候，哪里才是该重点关注的部分。
人机大赛训练好之后，团队找了9个人类放射科医生来比赛。其中：
6位来自学术机构，平均经验超过12年。
3位来自医院，是放射科高级住院医师。
人类和AI要识别的，是420张正面胸片，也是包含14种疾病：
肺不张，心脏肥大，巩固，水肿，积液，肺气肿，纤维化，疝气，浸润，肿块，结节，胸膜增厚，肺炎，气胸。
比赛结果如下：
只有在心脏肥大，肺气肿和疝气这三项诊断中，AI明显不敌人类选手的准确度。
在肺不张的诊断中，AI的表现明显优于人类。
其他10项，人类与AI不相上下。
总体来说，算法的诊断能力与与放射科医生相近。
所以，还是看一下速度吧。
420张图，AI用时1.5分钟，人类用时240分钟。
吴恩达老师常年追求的“AI颠覆医疗”之说，还是在时间上体现最显著。
One More Thing
随研究成果一同发布的视频里，有一个叫XRay4All的手机应用，只要给胸片拍个照，就可以让AI帮忙诊断了。
不知那会是多远的未来，但这次的人机较量，AI的表现还是能看到希望的。
论文传送门：
https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1002686
— 完 —
京公网安备 11010802022788号
