Google以深度学习侦测异常胸腔X光片,可找出训练资料集未见过的肺部异常

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。

发表评论