谷歌研發人工智能系統可使異常病例檢測周轉時間縮短百分之二十八

近日，谷歌團隊的又一重大研究成果登上期刊。該研究成果主要揭示了正常和異常胸片深度學習的區別，以及對結核病和COVID-19兩種致病因子不明顯疾病的概括。

值得關注的是，在人工智能系統優先處理異常病例的模擬工作流程中，異常病例的周轉時間可以縮短28%，這關乎人工智能評估系統是否可以安全地用于以前未見異常標記案例。

相關論文以《用于正常和異常胸片深度學習的區別以及對結核病和COVID-19兩種看不見疾病的概括》為題發表。

由谷歌健康團隊成員丹尼爾·謝、博軒·卡梅倫·陳（音譯）和什拉維亞·謝蒂擔任共同通訊作者。

胸腔放射成像作為使用頻率較高的胸腔臨床成像模式，在指導心胸疾病管理方面具有至關重要的作用。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的主要焦點。

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

面對這一挑戰，該團隊對人工智能系統進行了開發與深度評估，將CXR射線分為正常和異常兩種。為了對CXR系統進行調整，該團隊開發了一個深度學習系統（DeepLearning System，DLS），在印度五個城市的五家醫院對約2.48萬名患者做了數據集識別，他們還對印度、中國和美國的6個國際數據集做了CXR系統通用性評估。

在這些數據集中，有4個側重于人工智能未受過檢測培訓的疾病，另外4個分別是兩個結核病數據集和兩個2019年冠狀病毒疾病數據集。該團隊的研究成果表明，人工智能系統可以使用包含各種胸腔放射異常的大型數據集進行培訓，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CXR人工智能模型的持續開發，該團隊發布了他們收集的， 用于公開提供數據集的標簽。

該研究成果表明，可信賴的人工智能系統可區分正CXR的正常或異常狀態，對于患者的日常鍛煉和管理具有一定的益處。

首先， 在放射科醫生較大的審查情況下，人工智能算法可用于識別不太可能患病的病例，幫助醫療保健專業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，將可能患病案例統一劃分到一組，以便進行優先審查，進而縮短檢測周轉的時間。

其次，在大規模疾病爆發期間，當臨床需求超過放射科醫生可用性的環境中，這種人工智能系統可能被用作非放射科醫生的前線護理點工具。更重要的是，需要對在開發過程中未遇到的異常CXR進行人工智能評估，以驗證其對新疾病或新疾病表現的穩健性。

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

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境中，DLS系統都有助于將異常的CXR置于優先級，以便快速地向放射科醫生解釋。

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的數據性能進行了評估，并使用相同的數據進行其他研究的基準測試。

為了更好地了解DLS在逆轉錄聚合酶鏈式反應 （Reverse Transcription-PolymeraseChain Reaction ，RT-PCR）靈敏度方面的潛在影響，該團隊對COVID-19案例進行了更加詳細的分析。該案例在初始測試中具有“假陰性”RT-PCR測試結果， 定義為陰性R T -PCR測試，然后在五天內檢測為陽性，在21個此類案例中，DLS的靈敏度達到95.2%。

為了解他們可發的DLS是具體如何幫助練習放射科醫生的， 他們調查了兩個基于DLS的模擬工作流程。假設放射科醫生尚未審查DLS陰性病例，并認為這些案例被解釋為“正常”，基于評估目的，其有效的即時表現令人滿意。

放射科醫生和按照順序DLS放射科醫生設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%，結核病數據集減少了約40%，COVID-19數據集減少了約5%～10%。

該團隊開發的DLS可以解釋CXR是否為異常，并用6個數據集進一步驗證了它的適應性，其中包含兩個廣泛的臨床數據集，兩個未見疾病的數據集以及兩個帶有第二種未發現疾病的數據集。

總之，該團隊已經開發并評估了一個與臨床相關的，可用于胸部X射線檢測的人工智能模型，并評估了其在6個不同數據集上的適用性。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圖像的專屬標簽發布，可以促進臨床CXR人工智能模型的持續發展。