近日，谷歌團隊的又一重大研究成果登上 Nature 子刊。該研究成果主要揭示了正常和異常胸片深度學(xué)習(xí)的區(qū)別，以及對結(jié)核病和 COVID-19 兩種致病因子不明顯疾病的概括。

值得關(guān)注的是，在人工智能系統(tǒng)優(yōu)先處理異常病例的模擬工作流程中，異常病例的周轉(zhuǎn)時間可以縮短 28%，這關(guān)乎人工智能評估系統(tǒng)是否可以安全地用于以前未見異常標(biāo)記案例。

9 月 1 日，相關(guān)論文以《用于正常和異常胸片深度學(xué)習(xí)的區(qū)別以及對結(jié)核病和 COVID-19兩種看不見疾病的概括》（Deep learning for distinguishing normal versus abnormal chest radiographs and generalization to two unseen diseases tuberculosis and COVID-19）為題發(fā)表在 Scientific Reports 上。

圖｜相關(guān)論文（來源：Scientific Reports）

由谷歌健康團隊成員丹尼爾·謝（Daniel Tse）、博軒·卡梅倫·陳（音譯）（Po-Hsuan Cameron Chen）和什拉維亞·謝蒂（Shravya Shetty）擔(dān)任共同通訊作者。

胸腔放射成像作為使用頻率較高的胸腔臨床成像模式，在指導(dǎo)心胸疾病管理方面具有至關(guān)重要的作用。一直以來，檢測特定的胸腔放射異常（Chest Radiography，CXR）研究是多個人工智能系統(tǒng)的主要焦點。

圖｜胸部X放射（來源：YouTube 視頻截圖）

然而，由于 CXR 異常范圍十分廣泛，每個人工智能系統(tǒng)都需檢測一個或多個預(yù)先指定的條件。因此，試圖通過制備數(shù)個單獨的人工智能系統(tǒng)，檢測每個有可能出現(xiàn)的情況與實際情況不相匹配。

面對這一挑戰(zhàn)，該團隊對人工智能系統(tǒng)進(jìn)行了開發(fā)與深度評估，將 CXR 射線分為正常和異常兩種。為了對 CXR 系統(tǒng)進(jìn)行調(diào)整，該團隊開發(fā)了一個深度學(xué)習(xí)系統(tǒng) （Deep Learning System，DLS），在印度五個城市的五家醫(yī)院對約 2.48 萬名患者做了數(shù)據(jù)集識別，他們還對印度、中國和美國的 6 個國際數(shù)據(jù)集做了 CXR 系統(tǒng)通用性評估。

圖｜DLS 研究設(shè)計示意圖（來源：Scientific Reports）

在這些數(shù)據(jù)集中，有四個側(cè)重于 AI 未受過檢測培訓(xùn)的疾病，另外四個分別是兩個結(jié)核病數(shù)據(jù)集和兩個 2019 年冠狀病毒疾病數(shù)據(jù)集。該團隊的研究成果表明，AI 系統(tǒng)可以使用包含各種胸腔放射異常的大型數(shù)據(jù)集進(jìn)行培訓(xùn)，這些異常情況可以被分為新患者和癥狀不明的疾病人群。為了促進(jìn) CXR AI 模型的持續(xù)開發(fā)，該團隊發(fā)布了他們收集的，用于公開提供數(shù)據(jù)集的標(biāo)簽。

該研究成果表明，可信賴的 AI 系統(tǒng)可區(qū)分正 CXR 的正?；虍惓顟B(tài)，對于患者的日常鍛煉和管理具有一定的益處。

首先，在放射科醫(yī)生較大的審查情況下，AI 算法可用于識別不太可能患病的病例，幫助醫(yī)療保健專業(yè)人員能夠快速地排除某些差異診斷，將更多的工作時間用于其他方向的疾病診斷。然后，將可能患病案例統(tǒng)一劃分到一組，以便進(jìn)行優(yōu)先審查，進(jìn)而縮短檢測周轉(zhuǎn)的時間。

其次，在大規(guī)模疾病爆發(fā)期間，當(dāng)臨床需求超過放射科醫(yī)生可用性的環(huán)境中，這種人工智能系統(tǒng)可能被用作非放射科醫(yī)生的前線護(hù)理點工具。更重要的是，需要對在開發(fā)過程中未遇到的異常 CXR 進(jìn)行人工智能評估，以驗證其對新疾病或新疾病表現(xiàn)的穩(wěn)健性。

谷歌研究人員在論文中指出，在某些情況下，他們的深度學(xué)習(xí)模型在放射檢測方面具有較大的優(yōu)勢，可以較大地提高放射科科醫(yī)生工作效率。

該團隊研究成員表示：“不論在相對健康的門診實踐，還是在異常繁忙的住院或門診環(huán)境中，DLS 系統(tǒng)都有助于將異常的 CXR 置于優(yōu)先級，以便快速地向放射科醫(yī)生解釋。

在這項工作中，該團隊在一定的條件下，對這些有助于驗證 DLS 的數(shù)據(jù)性能進(jìn)行了評估，并使用相同的數(shù)據(jù)進(jìn)行其他研究的基準(zhǔn)測試。

為了更好地了解 DLS 在逆轉(zhuǎn)錄聚合酶鏈?zhǔn)椒磻?yīng) (Reverse Transcription-Polymerase Chain Reaction ，RT-PCR）靈敏度方面的潛在影響，該團隊對 COVID-19 案例進(jìn)行了更加詳細(xì)的分析。該案例在初始測試中具有 “假陰性”RT-PCR 測試結(jié)果，定義為陰性 RT-PCR 測試，然后在五天內(nèi)檢測為陽性，在 21 個此類案例中，DLS 的靈敏度達(dá)到 95.2%。

圖｜真陽性和假陽性的樣本 CXR（來源：Scientific Reports）

為了解他們可發(fā)的 DLS 是具體如何幫助練習(xí)放射科醫(yī)生的，他們調(diào)查了兩個基于 DLS 的模擬工作流程。假設(shè)放射科醫(yī)生尚未審查 DLS 陰性病例，并認(rèn)為這些案例被解釋為 “正常”，基于評估目的，其有效的即時表現(xiàn)令人滿意。

放射科醫(yī)生和按照順序 DLS 放射科醫(yī)生設(shè)置之間的性能差異很小，但 DS-1 和 CXR-14 的有效“緊急”案例量減少了 25%-30%，結(jié)核病數(shù)據(jù)集減少了約 40%，COVID-19 數(shù)據(jù)集減少了約 5-10%。

圖｜DLS 放射性圖譜（來源：Scientific Reports）

該團隊開發(fā)的 DLS 可以解釋 CXR 是否為異常，并用六個數(shù)據(jù)集進(jìn)一步驗證了它的適應(yīng)性，其中包含兩個廣泛的臨床數(shù)據(jù)集，兩個未見疾病的數(shù)據(jù)集以及兩個帶有第二種未發(fā)現(xiàn)疾病的數(shù)據(jù)集。

總之，該團隊已經(jīng)開發(fā)并評估了一個與臨床相關(guān)的，可用于胸部X射線檢測的人工智能模型，并評估了其在 6 個不同數(shù)據(jù)集上的適用性。該團隊希望，其研究成果中的性能分析以及公開可用的 CXR-14 圖像的專屬標(biāo)簽發(fā)布，可以促進(jìn)臨床 CXR 人工智能模型的持續(xù)發(fā)展。