🔎 近年來，Google AI 不斷將目光投向醫療領域。去年，紐約大學利用 Google 的 Inception v3 機器學習模型檢測出肺癌。今年 5 月，Google AI 和美國西北大學醫學院的科學家們創建模型，透過篩查檢測出肺癌，水準超過了有 8 年經驗的放射科醫生。
此外，Google AI 曾透過眼部掃描，診斷糖尿病視網膜病變的進展；Alphabet 子公司 DeepMind 的 AI 曾為 50 種眼部疾病推薦合適的治療方案，準確率高達 94%。
那麼，胸部 X 光圖像解讀是否也可以與人工智慧相結合❓
🔎 實際上，用機器學習演算法分析胸部 X 光圖像，說起來容易做起來難。這是由於在一般情況下，訓練演算法所需的臨床標籤，是透過基於規則的自然語言處理或人工註釋獲得的，兩者往往不一致，且錯誤較多。同時，僅以圖像為依據，很難收集包含大量病例的資料庫，並建立一致的、具有臨床意義的標籤。
近日，為推進 X 光圖像分類的目標，Google 的研究人員發現，利用人工智慧模型分析胸部 X 光圖像，可檢測 4 項指標：氣胸（肺萎陷）、結節和腫塊、骨折和氣腔模糊（樹芽徵）。在發表於《自然》（Nature）雜誌的論文中，研究小組稱，經專家獨立審查，這個模型已達到放射科醫生的水平。
🔎 這項最新研究，利用了來自兩個反辨識資料庫的 60 多萬張圖像。其一是與印度阿波羅醫院合作開發的資料庫，包含多年來從各地收集到的 X 光圖像。其二是由美國國立衛生研究院發布的 ChestX-ray14 公開圖像庫，該圖像庫曾為人工智慧研究提供支援，但在準確性方面存在不足。
綜觀整個研究，首先，研究人員開發了一個基於文本的系統，提取每張 X 光片的放射學報告並加以運用，為阿波羅醫院資料庫中超過 56 萬幅圖像提供標籤。為了減少基於文本的標籤提取過程中可能出現的錯誤，並為若干 ChestX-ray14 圖像提供相關標籤，他們專門招募放射科醫生，檢查這兩個資料庫中的約 3.7 萬幅圖像。
下一步是生成用於模型評估的高品質參考標籤。3 名放射科醫生以小組合作的形式，審查所有結果，測試資料庫圖像，並線上討論解決相互之間的分歧。這項研究的合著者也表示，經由這種方式，原先只能透過放射科醫生檢測到的結果，也能被準確地辨識並記錄下來。
Google 指出，儘管這些模型的準確性總體上達到專家水平，但各個資料庫的結果卻各不相同。例如，對於 ChestX-ray14 圖像，同一放射科醫生檢測氣胸的靈敏度約為 79%，但對於其他資料庫，檢測氣胸的靈敏度僅有 52%。
📝 Google 科學家 David Steiner 博士和 Google Health 技術負責人 Shravya Shetty 均為該論文做了貢獻，兩人在一篇文章中提到：
資料庫之間的差異，證明了建立具有明確參考指標的標準化評估圖像庫的必要性，方便在不同研究之間進行比較；但同時，將人工智慧和放射科醫生各自的優勢相結合，很可能是人工智慧應用於醫學圖像解讀的最佳方式。
研究小組已經在開源中創建了 ChestX-ray14 資料庫，資料庫包含 2,412 個訓練、驗證集圖像，1,962 個測試集圖像，總共 4,374 個圖像。David Steiner 和 Shravya Shetty 表示，他們希望透過 ChestX-ray14 資料庫的判定標籤，為以後的機器學習奠定基礎，並推動機器學習模型之間的比較，進而更精準地解讀胸部 X 光圖像。
