深度学习算法在检查胸部X射线方面比放射线医师更胜一筹

斯坦福大学研究人员领导的一项研究表明，深度学习算法在分析几种疾病的胸部X射线时的速度和大多数放射线医师一样快，而且准确度也很高。基于这些发现，放射科医生可能很快就能解释胸部X光并以更快的速度为患者诊断疾病。

斯坦福大学放射学助理教授Matthew Lungren医学博士Matthew Lungren在一份声明中说：“通常，我们看到可以检测出脑出血或腕部骨折的AI算法，这对于单次使用病例而言范围非常狭窄。”“但是这里我们谈论的是同时分析的14种不同病理，而且都是通过一种算法进行的。”

斯坦福大学的研究人员开发出了卷积神经网络，被称为CheXNeXt，检测的14种不同的疾病，包括，胸腔积液，肺肿块及胸部X射线的存在，根据刊登在研究PLoS医学。深度学习算法在420张图像上进行了训练和验证。后来将其性能与九名放射科医生进行了比较，他们使用了接收器工作特性曲线(AUC)下的面积，该面积说明了二元分类器系统的准确性和诊断能力。

这项研究表明，该算法在11种病理学上均达到了放射科医生级别的性能，而在3种病理学上却优于放射科医生。在这三种情况下，放射科医师在心脏肥大，肺气肿和食管裂孔疝上的AUC表现均明显更高，AUC分别为0.888、0.911和0.985。深度学习算法的AUC分别为0.831、0.704和0.851。

但是，该算法在检测肺不张方面的性能明显优于放射科医生。它的AUC为0.862，而放射科医生的AUC为0.808。该研究指出，其他10种病理学的AUC没有显着差异。

放射科医生还花费了更长的时间来解释420张图像。放射科医生总共需要240分钟来解释图像，而CheXNeXt只需1.5分钟就可以解释图像。

据研究人员称，胸部X光检查对发现诸如肺结核和肺癌等胸腔疾病至关重要。然而，该任务通常很费力并且需要放射线专家来读取图像。

研究人员认为，这项技术有潜力“通过进一步的研究来“改善医疗保健的提供，并增加获取胸部X光片专业知识以检测各种急性疾病的能力”。他们现在正在努力改进算法，并希望进行临床测试。

斯坦福大学研究生Pranav Rajpurkar在一份声明中说：“我们正在寻找机会在各种环境中对我们的算法进行训练和验证，以探索其优势和盲点。”“到目前为止，该算法已经评估了100,000多个X射线，但是现在我们想知道如果向我们展示一百万个X射线，它将表现如何—不仅来自一家医院，而且来自世界各地的医院。”