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(qū)別，以及對結(jié)核病和COVID-19兩種致病因子不明顯疾病的概括。

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

相關(guān)論文以《用于正常和異常胸片深度學習的區(qū)別以及對結(jié)核病和COVID-19兩種看不見疾病的概括》為題發(fā)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(guān)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(tǒng)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(tǒng)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(shù)個單獨的人工智能系統(tǒng)，檢測每個有可能出現(xiàn)的情況與實際情況不相匹配。

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

在這些數(shù)據(jù)集中，有4個側(cè)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(jié)核病數(shù)據(jù)集和兩個2019年冠狀病毒疾病數(shù)據(jù)集。該團隊的研究成果表明，人工智能系統(tǒng)可以使用包含各種胸腔放射異常的大型數(shù)據(jù)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(xù)開發(fā)，該團隊發(fā)布了他們收集的， 用于公開提供數(shù)據(jù)集的標簽。

該研究成果表明，可信賴的人工智能系統(tǒng)可區(qū)分正CXR的正?；虍惓顟B(tài)，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(yī)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(yī)療保健專業(yè)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(tǒng)一劃分到一組，以便進行優(yōu)先審查，進而縮短檢測周轉(zhuǎn)的時間。

其次，在大規(guī)模疾病爆發(fā)期間，當臨床需求超過放射科醫(yī)生可用性的環(huán)境中，這種人工智能系統(tǒng)可能被用作非放射科醫(yī)生的前線護理點工具。更重要的是，需要對在開發(fā)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(xiàn)的穩(wěn)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(yōu)勢，可以較大地提高放射科科醫(yī)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(huán)境中，DLS系統(tǒng)都有助于將異常的CXR置于優(yōu)先級，以便快速地向放射科醫(yī)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(shù)據(jù)性能進行了評估，并使用相同的數(shù)據(jù)進行其他研究的基準測試。

為了更好地了解DLS在逆轉(zhuǎn)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(jié)果， 定義為陰性R T -PCR測試，然后在五天內(nèi)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(fā)的DLS是具體如何幫助練習放射科醫(yī)生的， 他們調(diào)查了兩個基于DLS的模擬工作流程。假設放射科醫(yī)生尚未審查DLS陰性病例，并認為這些案例被解釋為“正?！?，基于評估目的，其有效的即時表現(xiàn)令人滿意。

放射科醫(yī)生和按照順序DLS放射科醫(yī)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(jié)核病數(shù)據(jù)集減少了約40%，COVID-19數(shù)據(jù)集減少了約5%～10%。

該團隊開發(fā)的DLS可以解釋CXR是否為異常，并用6個數(shù)據(jù)集進一步驗證了它的適應性，其中包含兩個廣泛的臨床數(shù)據(jù)集，兩個未見疾病的數(shù)據(jù)集以及兩個帶有第二種未發(fā)現(xiàn)疾病的數(shù)據(jù)集。

總之，該團隊已經(jīng)開發(fā)并評估了一個與臨床相關(guān)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(shù)據(jù)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(fā)布，可以促進臨床CXR人工智能模型的持續(xù)發(fā)展。