學界 | 吳恩達團隊展示全新醫療影像識別技術:肺炎診斷準確率超過人類醫生

2021-01-16 機器之心


選自Stanford ML Group

作者：Pranav Rajpurkar等

機器之心編譯

參與：李澤南


機器學習在醫療領域的應用一直是 AI 的重要發展方向，深度學習著名學者吳恩達和他在史丹福大學的團隊一直在這一方面做著努力。近日，該團隊提交的一篇新論文提出了名為 CheXNet 的新技術。研究人員在論文中表示：新的技術已經在識別胸透照片中肺炎等疾病上的準確率上超越了人類專業醫師。吳恩達表示，或許放射科醫生們需要開始擔心他們的工作了。


 

僅在美國，每年就有超過 100 萬成年人因為肺炎住院，5 萬人因為該病而死亡（CDC, 2017）。目前，胸部 X 光檢查是診斷肺炎的最佳方法（WHO, 2001），這種方法在臨床護理和流行病學研究中發揮著重要作用。然而，通過 X 光片診斷肺炎是一個具有挑戰性的任務，需要放射科醫師專家級的判斷能力。在史丹福大學發表的新論文中，計算機科學院和醫學院的研究人員共同提出了一種新的機器學習模型，可以讓計算機通過胸透照片自動診斷肺炎，其診斷準確率超過了放射科醫師。


圖 1. ChexNet 是一個 121 層的卷積神經網絡，以胸透圖片為輸入，輸出患病概率。在這個例子中，CheXnet 準確地探測到了肺炎，同時定位了圖片中最有可能患病的位置。


CheXNet 可以輸出肺炎存在可能性的熱區圖。研究人員在最近發布的 ChestX-ray14 數據集（Wang et al., 2017）上訓練了 CheXNet。該數據集包含 112,120 張各自標註最多有 14 種不同胸部疾病（包括肺炎）的正面胸透圖像。研究人員使用密集連接（Huang et al., 2016）與批歸一化（Ioffe & Szegedy, 2015）來優化這一深度神經網絡。


圖 2. CheXNet 在使用胸透圖像識別肺炎任務上的表現要超過放射科醫師的平均水平。在測試中，CheXNet 與四名人類放射科醫師在敏感度（衡量正確識別陽性的能力）以及特異性（衡量正確識別陰性的能力）上進行比較。放射科醫生的個人表現以橙色點標記，平均值以綠色點標記。CheXNet 輸出從胸透照片上檢測出的患肺炎概率，藍色曲線是分類閾值形成的。所有醫師的敏感度-特異性點均低於藍色曲線，這意味著 CheXNet 在肺炎上的診斷水平與放射科醫師相同，甚至更高。


從胸部 X 光檢查照片中檢測肺炎對於放射科醫師而言是一個困難的任務。因為肺炎在照片上的表現經常難以識別——它可能會與其他病症重疊，也可以與其他很多良性異常類似。這些原因導致放射科醫師在診斷肺炎時表現差異很大（Neuman et al., 2012；Davies et al., 1996；Hopstaken et al., 2004）。為了評估放射科醫師的表現，史丹福大學的研究人員找來了四名專業放射科醫師，使用 ChestX-ray14 子集的 420 張圖片對他們進行了測試。在這 420 張圖片裡，診斷正確與否的標準為其他大多數放射科醫生的投票結果，與此同時，CheXNet 模型也以同樣的標準進行了測試。


研究人員發現，CheXNet 在敏感度與特異性兩個方面均超過了放射科醫師的平均水平。為了對比 CheXNet 與此前使用 ChestX-ray14 的模型的能力，研究人員橫向對比了新模型與其他模型在 ChestX-ray14 上對於十四種疾病的診斷準確率，結果發現新模型的表現在所有方面均超過了前人的結果。以超過專業放射科醫師的水平自動對胸透照片進行分析診斷疾病不僅在臨床上可以為我們帶來更多方便，也可以在醫療影像專業人士數量不足的情況下為病人帶來幫助。


表 1. CheXNet 在 ChestX-ray14 數據集中 14 種病變的檢測結果與另外兩種模型的對比。在檢測腫塊、結節、肺炎、氣胸和肺氣腫時，CheXNet 的表現超越了此前業內最佳水平至少 0.05。


圖 3. 使用 Class Activation Maps，ChexNet 定位了它識別出的病變，高亮區域是分析病症需要重點觀察的位置。


論文：CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning



論文連結：https://arxiv.org/abs/1711.05225


摘要：我們開發了一種全新算法，能夠從胸透照片裡檢測肺炎，且水平超越專業放射科醫生。我們的算法被稱為 CheXNet，它是一個 121 層的卷積神經網絡。該網絡在目前最大的開放式胸透照片數據集「ChestX-ray14」上進行訓練。ChestX-ray14 數據集包含 14 種疾病的 10 萬張前視圖 X-ray 圖像。在實驗中，4 名專業的放射科學者在測試數據集上進行手動注釋，並與 CheXNet 的表現進行對比。我們發現，在肺炎檢測的敏感性與特異性上，CheXNet 的準確率超越了普通的放射科醫生。我們把 CheXNet 應用到對 ChestX-ray14 數據集中 14 種疾病的檢測上，也取得了頂尖的結果。



本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。

✄---

加入機器之心（全職記者/實習生）：hr@jiqizhixin.com

投稿或尋求報導：content@jiqizhixin.com

廣告&商務合作：bd@jiqizhixin.com

相關焦點

  • 吳恩達團隊最新醫學影像成果:肺炎診斷準確率創新高
    雷鋒網了解到，此前，吳恩達團隊研發出一種深度學習算法，可以診斷14種類型的心律失常。近日，該團隊又出新成果，他們提出了一種名為 CheXNet 的新技術。研究人員表示：新技術已經在識別胸透照片中肺炎等疾病上的準確率上超越了人類專業醫師。研究人員開發的這種全新算法，能夠從胸透照片裡檢測肺炎，且水平超越專業放射科醫生。
  • 吳恩達團隊發布最新醫學影像成果,用 CNN 算法識別肺炎
    雷鋒網了解到，此前，吳恩達團隊研發出一種深度學習算法，可以診斷14種類型的心律失常。近日，該團隊又出新成果，他們提出了一種名為 CheXNet 的新技術。研究人員表示：新技術已經在識別胸透照片中肺炎等疾病上的準確率上超越人類專業醫師。研究人員稱，開發的這種算法從胸透照片裡檢測肺炎，且水平超越專業放射科醫生。算法被稱為 CheXNet，它是一個 121 層的卷積神經網絡。
  • 阿里全新AI診斷新冠肺炎技術:20 秒出結果,96% 準確率
    打開APP 阿里全新AI診斷新冠肺炎技術：20 秒出結果，96% 準確率 編輯部 發表於 2020-02-17 09:43:10
  • AI+醫療系列之一:智能病理診斷及醫學影像識別系統
    新康界就目前人工智慧+醫療行業的商業模式，未來前景等方面做一系列闡述，今天發布「AI+醫療」第一篇《AI+醫療系列之一：智能病理診斷及醫學影像識別系統》。例如，由史丹福大學開發的CheXNet是一個121層的卷積神經網絡，並由涵蓋了１４種疾病超過１０萬張胸部Ｘ線正位片、當前最大的開放胸部Ｘ線片資料庫ChestX-ray14進行訓練的系統。通過與４位放射學醫生的比較，CheXNet系統在肺炎上診斷準確率顯著優於放射學醫生的表現，亦在14種疾病上優於以往的算法。圖4.
  • 吳恩達的最新研究是否嚴謹?Nature論文作者撰文質疑AI醫療影像研究...
    自動處理醫療影像一直是人工智慧的重要發展方向之一，吸引了很多知名學者參與其中，並已出現了很多引人注目的成果。近期史丹福大學吳恩達等人提出的 CheXNet 便是其中之一。研究人員在其論文中表示：新技術已經在識別胸透照片中肺炎等疾病上的準確率上超越了人類專業醫師。然而，另一群學者對目前的一些研究產生了懷疑。本文作者 Luke Oakden-Rayner 是阿德萊德大學的放射科在讀博士，曾作為第一作者於今年 5 月在 Nature 上發表文章介紹了自己利用深度學習等技術預測人類壽命的研究。
  • 吳恩達被diss了
    大新聞：我們的AI（ChexNet）現在讀胸腔X光片診斷肺炎的能力已經超過放射科醫師了。這條搞了個大新聞的消息緊扣公眾痛點，直指放射科醫師的失業問題，獲得了1400次轉發，2400個贊。結果，反差出來了。同樣一個團隊，去年發布ChexNet時，暗示放射科醫師面臨失業。而最近這個MURA模型的表現意味著：放射科醫師的工作，似乎又保住了。
  • 阿里推出全新AI診斷技術 能快速準確地對新冠疑似案例CT影像做出判讀
    打開APP 阿里推出全新AI診斷技術 能快速準確地對新冠疑似案例CT影像做出判讀 快科技 發表於 2020-02-17 14:18:42
  • 「AI肺病診斷」玩家眾多,假陽性率高企受行業質疑
    依圖醫療肺癌影像智能診斷系統，基於Faster R-CNN算法及多項優化技術，對胸部CT影像進行智能分析，檢測病灶並對病灶性狀進行多維度描述以及鑑別診斷，結合臨床指南自動生成結構化報告，提高了醫生閱片效率與質量，使患者獲得快捷高質的醫療服務。
  • 過去20 個月,影像全球醫學界的 11 大 AI 事件 | IEEE Spectrum
    人工智慧尤其是深度學習技術的成熟使得市場上出現了很多AI輔助診斷產品。人類基因組測序技術的革新、生物醫學分析技術的進步、以及大數據分析工具的出現，為病人提供更精準、高效、安全的診斷及治療。自從2016年阿爾法狗在圍棋界全面戰勝人類智慧，人工智慧會不會戰勝人類甚至取代人類的話題再次被擺在了風口浪尖。醫學領域作為人工智慧應用的熱門領域也不可避免。
  • 智能醫生的締造者 新冠肺炎AI影像輔助診斷系統
    來源：鳳凰網綜合新冠肺炎疫情的爆發，給各疫區本就處於飽和狀態的醫療系統增加了巨大的壓力。多年來致力於用先進科技解決民生問題的推想科技了解到這一情況之後，調集主創團隊，多方奔走，針對新型冠狀病毒肺炎的主要特徵，推出了新冠肺炎AI影像輔助診斷系統。為醫生提供了早期預警、快速篩查、鑑別診斷、病程進展分析等功能。
  • 史丹福大學研發AI醫療軟體,診斷肺炎竟比醫生技高一籌
    【AI星球（微信ID：ai_xingqiu）】11月30日報導（編譯：楊卟咚）近日，史丹福大學的科學家開發了一種全新的人工智慧成像軟體，能幫助醫生診斷肺炎在該項目中，史丹福大學副教授吳恩達（Andrew Ng）帶領著他的研究小組，使用了 112120 張胸部 X 射線圖片來訓練神經網絡，在這些圖片當中，人工標記出的疾病多達 14 種，其中一種就是肺炎。在訓練了一個月後，該軟體檢測肺炎感染的能力超出了先前的計算機檢驗方法。斯坦福機器學習小組讓他們的軟體和四位斯坦福放射科醫生進行 PK，並給了醫生每人 420 張 X 射線圖片。
  • 人工智慧診斷皮膚癌準確率達91%,未來手機當醫生不是夢
    史丹福大學一個聯合研究團隊開發出了一個皮膚癌診斷準確率媲美人類醫生的人工智慧，相關成果刊發為了1月底《自然》雜誌的封面論文，題為《達到皮膚科醫生水平的皮膚癌篩查深度神經網絡》（Dermatologist-level classification of skin cancer with deep neural networks）。
  • ...第57期:準確率達96%!阿里AI診斷機器人20秒內判讀新冠肺炎CT影像
    阿里達摩院AI診斷機器人20秒內判讀新冠肺炎CT影像，準確率達96%阿里巴巴達摩院日前聯合阿里雲針對新冠肺炎臨床診斷研發了一套全新AI診斷技術。AI可以在 20 秒內準確地對CT影像做出判讀，分析結果準確率達到96%。據了解，2月16日啟用的河南鄭州小湯山已經引入該算法輔助臨床診斷。
  • 《細胞》重磅:中國科學家研發的 AI 影像診斷系統首登頂級期刊
    也就是這一年，Google 的 Gulshan 團隊採用近 13 萬張已由 54 位美國專家標註過的視網膜眼底圖像，對深度學習網絡進行訓練，檢測準確率達到曲線下面積 91%，能力與人類專家相當 [3]。這項研究成果最後發表在頂級醫學期刊 JAMA 上。
  • 首發丨李蘭娟院士團隊最新成果：人工智慧輔助COVID-19影像學識別——AI技術從實驗室走向臨床
    這些患者沒有得到及時診斷、隔離和治療，從而成為潛在傳染源，不利於疫情控制。浙江大學醫學院附屬第一醫院傳染病診治國家重點實驗室作為COVID-19定點收治醫院，從2020年1月19日開始收治COVID-19患者，並負責全省危重患者的救治。作為臨床醫生，我們觀察到COVID-19患者的CT影像表現有其獨特性，與其他病毒性肺炎CT影像表現不同。
  • 學界| 斯坦福Nature論文宣布新突破:深度學習皮膚癌診斷達專家水平
    Thrun 實驗室的研究生 Brett Kuprel經過必要翻譯後，研究人員與斯坦福醫學院皮膚科醫生以及本論文的聯合作者、斯坦福微生物學和免疫學教授 Helen M. Blau 合作處理影像資料。這個跨學科的團隊一起對網際網路上混亂的影像進行分類。其中很多影像資料並不像醫療專業人員拍攝的那樣專業，而是從各個角度、焦距和照明下拍的。
  • 科學網—提升精神疾病磁共振影像診斷準確率
    中科院腦科學與智能技術創新中心等
  • 影像組學輔助磨玻璃結節診斷的研究進展
    影像組學理念的提出為腫瘤無創診斷開闢了新的視角，Lambin 等[2]於 2012 年提出影像圖像中蘊含腫瘤的大量特徵性信息，提取這些特徵性信息能夠為無創作出精確診斷提供指導。自此，影像醫師、臨床醫生和科研工作者對影像組學的關注及研究日益深入。
  • AI+醫療：看看人類和AI技術並肩作戰的樣子
    2020年2月15日，阿里達摩院聯合阿里雲針對新冠肺炎臨床診斷研發了一套全新AI診斷技術，AI可以在20秒內準確地對新冠疑似案例CT影像做出判讀，分析結果準確率達到96%。2020年2月21日，搭載騰訊AI醫學影像和騰訊雲技術的人工智慧CT設備在湖北方艙醫院成功部署。通過這套設備，AI算法只需數秒即可助力醫生識別新冠肺炎，將大大緩解當地CT篩查能力不足的壓力。