Google訓練深度學習模型判讀多種肺部X光片病徵

Google發表論文，以深度學習判讀胸部X光片，可分類出四項臨床重要的特徵，氣胸、結節和腫塊、骨折以及氣腔陰影，而精確度與放射科醫生相當。這項研究能夠幫助醫生更精確的診斷病患的肺部狀況，避免因誤診帶來嚴重的後果。

以機器學習幫助疾病診斷的研究越來越多，Google自家的研究，包括在今年早前發表以機器學習判讀肺腺癌組織切片的論文，其精準度已經可達到與病理學家相當的程度，另外，還有機器學習用於前列腺癌以及皮膚疾病鑑別的研究。

現在Google進一步要把深度學習用於偵測更多肺部種類的病徵，不過，與其他的深度神經網路的應用一樣，也遭遇到難以取得足夠標籤資料的困難。Google提到，深度學習需要大量帶有精確臨床標籤的圖像資料集，主要有兩種方法取得這樣的標籤資料，其一是應用自然語言處理從放射學報告而來的圖像，另一種則是仰賴個別讀者的審閱，但這兩種方法同樣都有不一致或是錯誤的問題，特別會影響模型的評估。

另外，圖像集也需要足夠廣泛，才能涵蓋各式病例，而且部分胸部X光照片，並無法代表特定結果，需要與臨床資訊結合才能解讀意義，Google提到，建立具有臨床意義、一致定義的標籤，以及具嚴格參照標準的方法，才能有效地將機器學習技術應用於胸部X光片的解釋。

Google在最新的研究，開發了深度學習模型，用來診斷胸部X光片的4個重要的臨床病徵分類，分別是氣胸、結節和腫塊、骨折以及氣腔陰影，這些在胸部X光片發現的特徵，與重大病情有高度關聯。他們總共使用了兩個未經辨識的圖像資料集，包括來自阿波羅醫院的胸部X光片，以及美國國立衛生研究院的ChestX-ray14圖像資料集，總共約60萬張圖片。

由於圖像數量過於龐大，無法人工手動為圖像上標籤，因此Google還開發了一個獨立的文字深度學習模型，從文字擷取關鍵字為圖像資料集添加標籤，同時還由放射科醫生人工檢視約37,000張圖片，以提高資料集標籤的品質。

Google的這項研究訓練了深度學習模型，可從胸部X光中找出重要的臨床特徵，就模型效能來說，該深度學習模型的精確度與放射科醫生相當，而且總能發現放射科醫生一致忽略的特徵。Google提到，將深度學習系統和人類專家結合的成果，可顯示出人工智慧在醫學圖像解釋應用的潛力。

Google提到，他們為了產生可用於模型評估的高品質參照標準標籤，使用了小組裁決程序，由3名放射科醫師審查最終調校與測試集圖像，並討論解決分歧。Google提到，這個程序解決判斷困難的圖像案例，而且為了避免受醫師個性與資歷產生的偏見影響，這個程序在線上以匿名的方式進行。

而由於缺乏可用的裁決標籤（Adjudicated Label）是這項研究的主要困難，因此Google對社群開放了ChestX-ray14資料集中所有裁決標籤，包括擁有2,412張圖像的訓練與驗證資料集，還有1,962張圖像的測試集，以幫助社群對胸部X光片進行研究。