最近，吳恩達的斯坦福團隊發(fā)布了一個X光診斷算法，基于深度神經(jīng)網(wǎng)絡(luò)。

與曾經(jīng)的肺炎檢測專門算法不同，這次的CheXNeXt模型，可以診斷14種疾病，包括肺炎、胸腔積液、肺腫塊等等。

在其中10種疾病的診斷上，AI都與人類放射科醫(yī)生的表現(xiàn)相當，還有一種超過了人類。并且，AI的診斷速度是人類的160倍。

團隊說，這樣的算法有希望填補醫(yī)療資源的短缺，也可以用來減少人類醫(yī)生因為疲勞而導致的診斷錯誤。

AI醫(yī)生如何煉成

最大的數(shù)據(jù)集

算法是用ChestX-ray14數(shù)據(jù)集來訓練的，這是目前最大的X光數(shù)據(jù)庫，有超過11萬張正面胸片，來自3萬多位患者。

14，就代表這些胸片里，總共包含了14種肺部疾病。

每一張胸片都要標注，是根據(jù)醫(yī)生的放射學報告，用自動提取 (Automatic Extaction) 的方法來標注的。

訓練過程分兩步

算法是由多個神經(jīng)網(wǎng)絡(luò)集合而成。

第一步，由于是自動標注，所以要解決標簽部分不正確(Partially Incorrect) 的問題。

具體方法是，先讓這些神經(jīng)網(wǎng)絡(luò)，在數(shù)據(jù)集里訓練14種疾病的預測。然后用它們做出的預測，來重新標注數(shù)據(jù)集。

第二步，再拿一個新的神經(jīng)網(wǎng)絡(luò)集合，在新標注的數(shù)據(jù)集上訓練。這次訓練完成，AI就可以去診斷疾病了。

那么，AI預測過程中的重點在哪里？

圖上有重點

算法不需要任何額外的監(jiān)督，就可以用胸片來生成熱圖(Heat Map) ，相當于劃重點：

顏色越暖的部分，對疾病診斷越有價值。

這是依靠類激活圖 (Class Activation Mapping，CAM) 來完成的。

如此一來，AI就像人類一樣，知道診斷某種疾病的時候，哪里才是該重點關(guān)注的部分。

人機大賽

訓練好之后，團隊找了9個人類放射科醫(yī)生來比賽。其中：

6位來自學術(shù)機構(gòu)，平均經(jīng)驗超過12年。

3位來自醫(yī)院，是放射科高級住院醫(yī)師。

人類和AI要識別的，是420張正面胸片，也是包含14種疾?。?/p>

肺不張，心臟肥大，鞏固，水腫，積液，肺氣腫，纖維化，疝氣，浸潤，腫塊，結(jié)節(jié)，胸膜增厚，肺炎，氣胸。

比賽結(jié)果如下：

只有在心臟肥大，肺氣腫和疝氣這三項診斷中，AI明顯不敵人類選手的準確度。

在肺不張的診斷中，AI的表現(xiàn)明顯優(yōu)于人類。

△正常心臟 (左) vs 肥大心臟 (右)

其他10項，人類與AI不相上下。

總體來說，算法的診斷能力與與放射科醫(yī)生相近。

所以，還是看一下速度吧。

420張圖，AI用時1.5分鐘，人類用時240分鐘。

吳恩達老師常年追求的“AI顛覆醫(yī)療”之說，還是在時間上體現(xiàn)最顯著。

One More Thing

隨研究成果一同發(fā)布的視頻里，有一個叫XRay4All的手機應(yīng)用，只要給胸片拍個照，就可以讓AI幫忙診斷了。

不知那會是多遠的未來，但這次的人機較量，AI的表現(xiàn)還是能看到希望的。