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。