按：据 VentureBeat 报导，Google AI 利用人工智能系统，利用数千个具有高质量标签的数据库，精准理解胸部 X 射线图像。论文已公开发表在《大自然》杂志。【图片来源：VentureBeat 所有者：VentureBeat】近年来，Google AI 大大将目光投向医疗领域。去年，纽约大学利用 Google 的 Inception v3 机器学习模型检测出有肺癌。

今年 5 月，Google AI 和美国西北大学医学院的科学家们创立模型，通过筛查检测出有肺癌，水平多达了有 8 年经验的放射科医生。此外，Google AI 曾通过眼部扫瞄，临床糖尿病视网膜恶性肿瘤的进展；Alphabet 子公司 DeepMind 的 AI 曾为 50 种眼部疾病引荐适合的化疗方案，准确率低约 94%。那么，胸部 X 射线图像理解否也可以与人工智能结合？实质上，用机器学习算法分析胸部 X 射线图像，说道一起更容易做到一起无以。

这是由于在一般来说情况下，训练算法所需的临床标签，是通过基于规则的自然语言处置或人工注解取得的，两者往往不完全一致，且错误较多。同时，仅有以图像为依据，很难搜集包括大量病例的数据库，并创建完全一致的、具备临床意义的标签。近日，为前进 X 射线图像分类的目标，Google 的研究人员找到，利用人工智能模型分析胸部 X 射线图像，可检测四项指标：气胸（肺萎陷）、结节和肿块、骨折和气腔模糊不清（树芽征）。

在一篇公开发表在《大自然》（Nature）杂志的论文中，研究小组称之为，经专家独立国家审查，这一模型已超过放射科医生的水平。这项近期研究，利用了来自两个反辨识数据库的 60 多万张图像。其一是与印度阿波罗医院合作开发的数据库，包括多年来从各地搜集到的 X 射线。其二是由美国国立公共卫生研究院公布的 ChestX-ray14 公开发表图像库，该图像库曾为人工智能研究获取反对，但在准确性方面不存在严重不足。

纵观整个研究，首先，研究人员研发了一个基于文本的系统，萃取每张 X 光片的放射学报告并加以运用，为阿波罗医院数据库中多达 56 万幅图像获取标签。为了增加基于文本的标签萃取过程中有可能经常出现的错误，并为若干 ChestX-ray14 图像获取涉及标签，他们专门召募放射科医生，检查这两个数据库中的大约 3.7 万幅图像。下一步是分解用作模型评估的高质量参照标签。三名放射科医生通过小组合作的形式，审查所有结果，测试数据库图像，并在线辩论解决问题相互之间的分歧。

这项研究的年出版者也回应，通过这种方式，原本不能通过放射科医生检测到的结果，也能被精确地辨识并记录下来。Google 认为，尽管这些模型的准确性总体上超过了专家水平，但各个数据库的结果却各不相同。例如，对于 ChestX-ray14 图像，同一放射科医生检测气胸的灵敏度大约为 79%，但对于其他数据库，检测气胸的灵敏度仅有 52%。Google 科学家 David Steiner 博士和 Google Health 技术负责人 Shravya Shetty 皆为该论文做到了贡献，两人在一篇博客中提及：数据库之间的差异，证明了创建具备具体参照指标的标准化评估图像库的必要性，便利在有所不同研究之间展开较为。

但同时，将人工智能和放射科医生各自的优势结合，很有可能是人工智能应用于医学图像理解的最佳方式。研究小组早已在开源中创立了 ChestX-ray14 数据库，数据库包括 2412 个训练、检验集图像，1962 个测试集图像，总共 4374 个图像。

David Steiner 和 Shravya Shetty 回应，他们期望通过 ChestX-ray14 数据库的判断标签，为以后的机器学习奠下基础，并推展机器学习模型之间的较为，从而更加精准地理解胸部 X 射线图像。年度票选——找寻19大行业的最佳AI落地实践中创办于2017年的「AI最佳掘金案例年度榜单」，是业内首个人工智能商业案例评选活动。从商用维度抵达，找寻人工智能在各个行业的最佳落地实践中。第三届票选已月启动，注目微信公众号“(公众号：)”，恢复关键词“榜单”参予甄选。

下文可咨询微信号：xqxq_xq原创文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：酷游ku官网-www.grupo-chasis.com