Google训练深度学习模型判读多种肺部X光片病征

Google发表论文，以深度学习判读胸部X光片，可分类出四项临床重要的特征，气胸、结节和肿块、骨折以及气腔阴影，而精确度与放射科医生相当。这项研究能够帮助医生更精确的诊断病患的肺部状况，避免因误诊带来严重的后果。

以机器学习帮助疾病诊断的研究越来越多，Google自家的研究，包括在今年早前发表以机器学习判读肺腺癌组织切片的论文，其精准度已经可达到与病理学家相当的程度，另外，还有机器学习用于前列腺癌以及皮肤疾病鉴别的研究。

现在Google进一步要把深度学习用于侦测更多肺部种类的病征，不过，与其他的深度神经网络的应用一样，也遭遇到难以取得足够标签资料的困难。Google提到，深度学习需要大量带有精确临床标签的图像资料集，主要有两种方法取得这样的标签资料，其一是应用自然语言处理从放射学报告而来的图像，另一种则是仰赖个别读者的审阅，但这两种方法同样都有不一致或是错误的问题，特别会影响模型的评估。

另外，图像集也需要足够广泛，才能涵盖各式病例，而且部分胸部X光照片，并无法代表特定结果，需要与临床资讯结合才能解读意义，Google提到，建立具有临床意义、一致定义的标签，以及具严格参照标准的方法，才能有效地将机器学习技术应用于胸部X光片的解释。

Google在最新的研究，开发了深度学习模型，用来诊断胸部X光片的4个重要的临床病征分类，分别是气胸、结节和肿块、骨折以及气腔阴影，这些在胸部X光片发现的特征，与重大病情有高度关联。他们总共使用了两个未经辨识的图像资料集，包括来自阿波罗医院的胸部X光片，以及美国国立卫生研究院的ChestX-ray14图像资料集，总共约60万张图片。

由于图像数量过于庞大，无法人工手动为图像上标签，因此Google还开发了一个独立的文字深度学习模型，从文字撷取关键字为图像资料集添加标签，同时还由放射科医生人工检视约37,000张图片，以提高资料集标签的品质。

Google的这项研究训练了深度学习模型，可从胸部X光中找出重要的临床特征，就模型效能来说，该深度学习模型的精确度与放射科医生相当，而且总能发现放射科医生一致忽略的特征。Google提到，将深度学习系统和人类专家结合的成果，可显示出人工智能在医学图像解释应用的潜力。

Google提到，他们为了产生可用于模型评估的高品质参照标准标签，使用了小组裁决程序，由3名放射科医师审查最终调校与测试集图像，并讨论解决分歧。Google提到，这个程序解决判断困难的图像案例，而且为了避免受医师个性与资历产生的偏见影响，这个程序在线上以匿名的方式进行。

而由于缺乏可用的裁决标签（Adjudicated Label）是这项研究的主要困难，因此Google对社群开放了ChestX-ray14资料集中所有裁决标签，包括拥有2,412张图像的训练与验证资料集，还有1,962张图像的测试集，以帮助社群对胸部X光片进行研究。