每日最新頭條.有趣資訊

吳恩達團隊:用X光片識別14種疾病,AI準確度部分超人類

栗子射線 發自 凹非寺

量子位 報導 | 公眾號 QbitAI

最近,吳恩達的斯坦福團隊發布了一個X光診斷算法,基於深度神經網絡。

與曾經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都與人類放射科醫生的表現相當,還有一種超過了人類。並且,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療資源的短缺,也可以用來減少人類醫生因為疲勞而導致的診斷錯誤。

AI醫生如何煉成

最大的數據集

算法是用ChestX-ray14數據集來訓練的,這是目前最大的X光數據庫,有超過11萬張正面X光,來自3萬多位患者。

14,就代表這些X光裡,總共包含了14種肺部疾病。

每一張X光都要標注,是根據醫生的放射學報告,用自動提取 (Automatic Extaction) 的方法來標注的。

訓練過程分兩步

算法是由多個神經網絡集合而成。

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

具體方法是,先讓這些神經網絡,在數據集裡訓練14種疾病的預測。然後用它們做出的預測,來重新標注數據集

第二步,再拿一個新的神經網絡集合,在新標注的數據集上訓練。這次訓練完成,AI就可以去診斷疾病了。

那麽,AI預測過程中的重點在哪裡?

圖上有重點

算法不需要任何額外的監督,就可以用X光來生成熱圖(Heat Map) ,相當於劃重點

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,哪裡才是該重點關注的部分。

人機大賽

訓練好之後,團隊找了9個人類放射科醫生來比賽。其中:

6位來自學術機構,平均經驗超過12年。

3位來自醫院,是放射科高級住院醫師。

人類和AI要識別的,是420張正面X光,也是包含14種疾病:

肺不張,心髒肥大,鞏固,水腫,積液,肺氣腫,纖維化,疝氣,浸潤,腫塊,結節,胸膜增厚,肺炎,氣胸。

比賽結果如下:

只有在心髒肥大,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的表現明顯優於人類

正常心髒 (左) vs 肥大心髒 (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顛覆醫療”之說,還是在時間上體現最顯著。

One More Thing

隨研究成果一同發布的影片裡,有一個叫XRay4All的手機應用,只要給X光拍個照,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的表現還是能看到希望的。

論文傳送門:

https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1002686

年度評選申請

加入社群

量子位AI社群開始招募啦,歡迎對AI感興趣的同學,在量子位公眾號(QbitAI)對話界面回復關鍵字“交流群”,獲取入群方式;

此外,量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募,面向正在從事相關領域的工程師及研究人員。

進專業群請在量子位公眾號(QbitAI)對話界面回復關鍵字“專業群”,獲取入群方式。(專業群審核較嚴,敬請諒解)

誠摯招聘

量子位正在招募編輯/記者,工作地點在北京中關村。期待有才氣、有熱情的同學加入我們!相關細節,請在量子位公眾號(QbitAI)對話界面,回復“招聘”兩個字。

獲得更多的PTT最新消息
按讚加入粉絲團