吳恩達團隊：用X光片識別14種疾病，AI準確度部分超越人類

獵雲網注：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。文章來源：量子位（ID：QbitAI），作者：栗子射線。題圖與內圖均來自原文，若涉及版權請與獵雲網聯繫。

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。