机器学习VS放射科医生

编译：张小阳博士

斯坦福大学的研究人员开发出一种机器学习的算法，CheXnet。它能比放射科医生更好地利用胸部X片诊断肺炎，而且在短短一个月内就完成了超越。

实现超越的是斯坦福大学兼职教授吴安竹领导的机器学习小组，他们在9月26日国立卫生研究院NIH发布数据后受到启发，开始接受挑战。

NIH的数据集包括112,120张胸部X光片、14种可能的诊断，和一些初级算法。吴教授请四名斯坦福放射科医师对420张片子进行注释，标明可疑的肺炎迹象。他们之所以选择肺炎，是因为这种病特别难用X光确诊，但每年大约有100万美国人患病。

在一周内，研究人员开发出名为CheXnet的算法。它能比之前的算法更准确地从原始数据中发现14种病理学中的10种病理。经过大约一个月的培训之后，研究小组发表文章称14种病理都被攻克。确切的说，CheXnet比四位放射科医师能更准确地诊断肺炎。

科学家从敏感性角度考察CheXnet的表现，也就是说，它是否能正确识别现有的肺炎病例，以及如何避免误报。你猜怎么样？虽然四名放射科医生各有千秋，但是，CheXnet的表现比他们都厉害。

斯坦福大学图

420张X光片的测试结果显示，ChexNet在灵敏度（正确识别阳性）和特异性（正确识别阴性）方面优于四名放射科医师。个体放射科医师用橙色X表示，他们的平均表现用绿色X表示，ChexNet的表现用蓝色曲线表示。

机器学习的算法还能根据X光片生成热图。利用颜色标明最可能患有肺炎的区域，这可以极大地辅助放射科医生进行诊断。

斯坦福大学图

我太激动了。我希望斯坦福大学的所有放射科医师都能马上接受这项技术，因为我对这种技术能带来的好处深有体会。

去年十二月，我十八岁的儿子到斯坦福急诊室就诊。他发着高烧并咳嗽。医生怀疑他感染肺炎，所以安排了X光胸片检查。但片子结果被认为是阴性的，所以儿子在医院输液后，领了一些发烧药，就回家了。

一周后，他再次回到急诊室。这次，他感到晕眩，体温比上次就诊时还要高，而且他对退烧药没有反应。但是，他的胸部X光片仍然为阴性。医生进行了所有可以想到的疾病测试，但还是没能确认病因。所以，儿子在再次输液后，又被放回了家。

两天之后，我们接到放射科的电话，周末的X光检查结果已改为肺炎。这是一个放射科医生错过了两次的诊断。确诊之后，抗生素在24小时内立即发挥功效。

下一次，如果我再带孩子去医院急诊室，我会直接要求咨询CheXnet。

文献：

Perry, “Stanford algorithm can diagnose Pneumonia better than radiologists.”IEEE Spectrum, November17 2017, spectrum.ieee.org/the-human-os/biomedical/diagnostics/stanford-algorithm-can-diagnose-pneumonia-better-than-radiologists

______________________________________

欢迎分享

转载需注明“来自‘科技小羊’公众号”

欢迎在科技小羊公号平台微信留言

重要声明：

科技小羊平台提供的信息仅代表个人观点，仅供参考，不承担任何法律责任。科技小羊挑选文章中的内容不能替代专业医生和医务人员的建议，若采纳，请读者自行承担后果和风险。