深度學習算法在檢查胸部X射線方面比放射線醫(yī)師更勝一籌

斯坦福大學研究人員領導的一項研究表明，深度學習算法在分析幾種疾病的胸部X射線時的速度和大多數(shù)放射線醫(yī)師一樣快，而且準確度也很高?；谶@些發(fā)現(xiàn)，放射科醫(yī)生可能很快就能解釋胸部X光并以更快的速度為患者診斷疾病。

斯坦福大學放射學助理教授Matthew Lungren醫(yī)學博士Matthew Lungren在一份聲明中說：“通常，我們看到可以檢測出腦出血或腕部骨折的AI算法，這對于單次使用病例而言范圍非常狹窄。”“但是這里我們談論的是同時分析的14種不同病理，而且都是通過一種算法進行的。”

斯坦福大學的研究人員開發(fā)出了卷積神經(jīng)網(wǎng)絡，被稱為CheXNeXt，檢測的14種不同的疾病，包括，胸腔積液，肺腫塊及胸部X射線的存在，根據(jù)刊登在研究PLoS醫(yī)學。深度學習算法在420張圖像上進行了訓練和驗證。后來將其性能與九名放射科醫(yī)生進行了比較，他們使用了接收器工作特性曲線(AUC)下的面積，該面積說明了二元分類器系統(tǒng)的準確性和診斷能力。

這項研究表明，該算法在11種病理學上均達到了放射科醫(yī)生級別的性能，而在3種病理學上卻優(yōu)于放射科醫(yī)生。在這三種情況下，放射科醫(yī)師在心臟肥大，肺氣腫和食管裂孔疝上的AUC表現(xiàn)均明顯更高，AUC分別為0.888、0.911和0.985。深度學習算法的AUC分別為0.831、0.704和0.851。

但是，該算法在檢測肺不張方面的性能明顯優(yōu)于放射科醫(yī)生。它的AUC為0.862，而放射科醫(yī)生的AUC為0.808。該研究指出，其他10種病理學的AUC沒有顯著差異。

放射科醫(yī)生還花費了更長的時間來解釋420張圖像。放射科醫(yī)生總共需要240分鐘來解釋圖像，而CheXNeXt只需1.5分鐘就可以解釋圖像。

據(jù)研究人員稱，胸部X光檢查對發(fā)現(xiàn)諸如肺結核和肺癌等胸腔疾病至關重要。然而，該任務通常很費力并且需要放射線專家來讀取圖像。

研究人員認為，這項技術有潛力“通過進一步的研究來“改善醫(yī)療保健的提供，并增加獲取胸部X光片專業(yè)知識以檢測各種急性疾病的能力”。他們現(xiàn)在正在努力改進算法，并希望進行臨床測試。

斯坦福大學研究生Pranav Rajpurkar在一份聲明中說：“我們正在尋找機會在各種環(huán)境中對我們的算法進行訓練和驗證，以探索其優(yōu)勢和盲點。”“到目前為止，該算法已經(jīng)評估了100,000多個X射線，但是現(xiàn)在我們想知道如果向我們展示一百萬個X射線，它將表現(xiàn)如何—不僅來自一家醫(yī)院，而且來自世界各地的醫(yī)院。”