Google以深度學習偵測異常胸腔X光片，可找出訓練資料集未見過的肺部異常

Google開發了新型模型，能夠從去識別化資料集中，區分正常和異常的胸腔X光片，Google提到，該模型不只對一般的胸腔異常表現良好，對沒有出現在訓練資料集的肺結核病和COVID-19，也能發現其異常之處，對於未見過的案例具有通用性。

醫學成像應用機器學習技術，能夠大幅提高胸腔X光影像解釋的精確性、速度和一致性，目前已經有大量的演算法，可用來偵測特定疾病，諸如肺癌、肺結核和氣胸，但是這些偵測特定疾病的模型，應用到臨床上可能會受到限制，像是氣胸偵測器就無法突出顯示癌症的病徵，而肺結核偵測器可能無法辨識出肺炎，Google提到，辨識包含各種類型異常的通用算法，可以顯著促進臨床工作流程。

因此Google開發了能夠區分各種胸腔異常狀況的深度學習系統，來解決這個問題，研究人員使用基於EfficientNet-B7架構的深度學習系統，在ImageNet上進行預訓練，接著使用來自印度阿波羅醫院的20萬張去識別化胸腔X光片訓練模型。每一個胸腔X光片都會被標記上正常或是異常的標籤，供模型學習正常和異常的胸腔狀況。

研究人員使用各種資料集來測試這個新的深度學習系統，發現該系統能夠精確地區分常見的胸腔異常，同時研究人員也評估了該系統，偵測未遇過疾病的能力，而結果顯示該模型表現依舊良好，能夠非常高比例的發現肺結核病，不過在辨識COVID-19時效能略降，研究人員解釋，有許多案例被系統標記為異常，但是COVID-19為陰性，也就是說，雖然系統在這些案例無法準確地偵測病徵屬於特定疾病，但是仍然可以將其區分為異常。

Google的這個新系統有兩個潛在好處，除了按情況加速排序病患之外，也可提高其他胸腔X光影像辨識模型的效果。研究人員為了要了解該模型在臨床工作流程中的幫助，因此將其用在模擬病例優先排序上，異常病例能夠被優先處理，完成流程的時間減少28％，而該模型快速區分正常與異常的能力，能夠將複雜的異常病例，快速轉移給專門的放射科醫師處理，分類需要緊急處理的病患。

另外，該深度學習系統還能夠被用作預訓練模型，在資料有限的情況下，改進胸腔X光的其他機器學習演算法，Google最近將正常與異常檢測器，搭配肺結核檢測器一起使用，在缺乏醫療資源的地區，提供肺結核早期診斷的服務。