近日，谷歌团队的另一项重大研究成果发表在Nature子刊上。研究结果主要揭示了正常和异常胸部X光深度学习的差异，以及结核病和COVID-19这两种致病因素不明显的疾病的普遍性。值得注意的是，在人工智能系统优先处理异常案例的模拟工作流中，异常案例的周转时间可以缩短28%，这关系到人工智能评估系统能否安全地用于以前未发现的异常标记个案。9月1日，相关论文发表在ScientificReports上，标题为《用于正常和异常胸片深度学习的区别以及对结核病和 COVID-19两种看不见疾病的概括》（DeeplearningfordistinguishingnormalversusabnormalchestradiographsandgeneralizedtotwounseendiseasestuberculosisandCOVID-19）。图｜GoogleHealth团队成员丹尼尔·谢（DanielTse）、博轩·卡梅伦·陈（音译）和什拉维亚·谢蒂（ShravyaShetty为共同通讯作者）的相关论文（来源：ScientificReports）。作为一种经常使用的胸部临床成像模态，在指导心胸疾病的管理中起着至关重要的作用，检测特定的胸部放射异常（ChestRadiography，CXR）研究一直是几个人工智能系统的主要关注点。图|ChestX-ray（来源：YouTube视频截图）但是，由于CXR异常的范围很广，每个AI系统都需要检测一个或多个预先指定的情况。因此，试图检测每一种可能的情况与实际情况不符通过准备几个独立的人工智能系统来应对这种情况。面对这一挑战，该团队开发并深入评估了人工智能系统，以达到c将CXR射线分类为正常和异常。为了调整CXR系统，团队开发了深度学习系统（DeepLearningSystem，DLS），对印度5个城市的5家医院约24800名患者进行了数据集识别。CXR系统的通用性评估是使用来自美国的6个国际数据集完成的。图|DLS研究设计示意图（来源：ScientificReports）在这些数据集中，有四个专注于AI尚未接受过检测检测的疾病，另外四个是两个TB数据集和两个2019年冠状病毒疾病数据集。该团队的研究结果表明，人工智能系统可以使用包含各种胸部放射学异常的大型数据集进行训练，这些异常可以分为新患者和无症状疾病患者。为了促进CXRAI模型的持续开发，该团队发布了他们为公开数据集收集的标签。这项研究的结果表明，一个值得信赖的人工智能系统可以区分阳性CXR的正常和异常状态，这可能有利于患者的日常锻炼和管理。首先，在放射科医生进行更大规模检查的情况下，人工智能算法可以用来识别不太可能患病的病例，帮助医疗保健专业人员快速排除某些不符诊断，从而腾出更多的工作时间在其他方向的疾病诊断上。然后将可能患病的病例组合在一起进行优先审查，从而减少测试的周转时间。其次，在临床需求超过放射科医生可用性的情况下，在大规模疾病爆发期间，此类AI系统可能被用作非放射科医生的一线护理工具。更重要的是，需要对开发过程中未遇到的异常CXR进行AI评估，以验证其对新疾病或新疾病表现的稳健性。谷歌研究人员在论文中指出，在某些情况下，他们的深度学习模型在辐射检测方面具有更大的优势，可以大大提高放射科医生的工作效率。“无论是在相对健康的门诊实践中，还是在异常繁忙的住院或门诊环境中，DLS系统都有助于确定异常CXR的优先级，以便放射科医生快速解读，”该团队的研究成员说。在这项工作中，团队评估了这些数据的性能，这些数据有助于在特定条件下验证DLS，并使用相同数据对其他研究进行基准测试。为了更好地了解DLS在逆转录酶聚集中的作用对逆转录聚合酶敏感性的潜在影响ChainReaction(RT-PCR)，该团队对COVID-19病例进行了更详细的分析，该病例在初始测试中出现“假阴性”RT-PCR测试结果，定义为阴性RT-PCR测试，然后进行测试五天内呈阳性，在21例此类病例中显示DLS敏感性为95.2%。图|真阳性和假阳性CXR样本（来源：ScientificReports）为了了解他们的DLS究竟如何帮助执业放射科医生，他们调查了两个基于DLS的模拟工作流程。假设放射科医师尚未审查DLS阴性病例并认为它们被解释为“正常”，则其有效的即时表现对于评估目的是令人满意的。放射科医生和顺序DLS放射科医生设置之间的性能差异很小，但DS-1和CXR-14有效“紧急”病例减少了25%-30%，结核病数据集减少了约40%，COVID-19数据集是减少约5-10%。图｜DLS放射性图（来源：ScientificReports）团队开发的DLS可以解释CXR是否异常，其适应性进一步通过6个数据集验证，包括2个广泛的临床数据集、2个未见疾病数据集和2个具有异常的数据集第二个未被发现的疾病。总之，该团队开发并评估了用于胸部X光检测的临床相关AI模型，并评估了其在6个不同数据集上的适用性。该团队希望对他们的发现进行的性能分析和公开可用的CXR-14图像的专有标签的发布将刺激临床CXRAI模型的持续发展。
