Google开发了新型模型，能够从去识别化资料集中，区分正常和异常的胸腔X光片，Google提到，该模型不只对一般的胸腔异常表现良好，对没有出现在训练资料集的肺结核病和COVID-19，也能发现其异常之处，对于未见过的案例具有通用性。
医学成像应用机器学习技术，能够大幅提高胸腔X光图片解释的精确性、速度和一致性，目前已经有大量的算法，可用来侦测特定疾病，诸如肺癌、肺结核和气胸，但是这些侦测特定疾病的模型，应用到临床上可能会受到限制，像是气胸侦测器就无法突出显示癌症的病症，而肺结核侦测器可能无法识别出肺炎，Google提到，识别包含各种类型异常的通用算法，可以显著促进临床工作流程。
因此Google开发了能够区分各种胸腔异常状况的深度学习系统，来解决这个问题，研究人员使用基于EfficientNet-B7架构的深度学习系统，在ImageNet上进行预训练，接着使用来自印度阿波罗医院的20万张去识别化胸腔X光片训练模型。每一个胸腔X光片都会被标记上正常或是异常的标签，供模型学习正常和异常的胸腔状况。
研究人员使用各种资料集来测试这个新的深度学习系统，发现该系统能够精确地区分常见的胸腔异常，同时研究人员也评估了该系统，侦测未遇过疾病的能力，而结果显示该模型表现依旧良好，能够非常高比例的发现肺结核病，不过在识别COVID-19时性能略降，研究人员解释，有许多案例被系统标记为异常，但是COVID-19为阴性，也就是说，虽然系统在这些案例无法准确地侦测病症属于特定疾病，但是仍然可以将其区分为异常。
Google的这个新系统有两个潜在好处，除了按情况加速排序病患之外，也可提高其他胸腔X光图片识别模型的效果。研究人员为了要了解该模型在临床工作流程中的帮助，因此将其用在模拟病例优先排序上，异常病例能够被优先处理，完成流程的时间减少28%，而该模型快速区分正常与异常的能力，能够将复杂的异常病例，快速转移给专门的放射科医师处理，分类需要紧急处理的病患。
另外，该深度学习系统还能够被用作预训练模型，在资料有限的情况下，改进胸腔X光的其他机器学习算法，Google最近将正常与异常检测器，搭配肺结核检测器一起使用，在缺乏医疗资源的地区，提供肺结核早期诊断的服务。