在醫(yī)學(xué)成像中應(yīng)用機(jī)器學(xué)習(xí) （ML），為改善胸部 X 光 （CXR） 圖像解讀的可用性、延遲時(shí)間、準(zhǔn)確率和一致性提供了絕佳的機(jī)會。事實(shí)上，我們已經(jīng)開發(fā)了大量的算法來檢測如肺癌、肺結(jié)核和氣胸等特定疾病。然而，由于這些算法是被訓(xùn)練用于檢測特定疾病，其在普遍臨床環(huán)境下的實(shí)用性可能會受到限制，因?yàn)檫@種環(huán)境下可能會出現(xiàn)各種各樣的異常情況。例如，我們無法通過氣胸檢測算法發(fā)現(xiàn)癌癥結(jié)節(jié)，而肺結(jié)核檢測算法可能也無法識別肺炎特有的癥狀。由于初始分診步驟是確定 CXR 是否包含相關(guān)的異常，如果能使用一種通用算法，以識別包含任何異常情況的 X 光圖像，即可大大簡化工作流。然而，由于在 CXR 上出現(xiàn)的異常情況種類繁多，開發(fā)能識別所有異常情況的分類算法可謂充滿挑戰(zhàn)。

我們發(fā)表于《科學(xué)報(bào)告》的“深度學(xué)習(xí)用于區(qū)分正常和異常胸部放射照片，并泛化到兩種未知疾?。航Y(jié)核病與新冠肺炎 （Deep Learning for Distinguishing Normal versus Abnormal Chest Radiographs and Generalization to Two Unseen Diseases Tuberculosis and COVID-19）”一文中提出了一個(gè)模型，該模型可以在多個(gè)去識別化的數(shù)據(jù)集和環(huán)境中區(qū)分正常和異常的 CXR。我們發(fā)現(xiàn)，該模型在檢測一般的異常情況以及結(jié)核病和新冠肺炎等未知病例方面表現(xiàn)良好。我們還針對公開可用的 ChestX-ray14 數(shù)據(jù)集發(fā)布了本研究中用到的測試集的放射科醫(yī)生標(biāo)簽集［1］。

深度學(xué)習(xí)用于區(qū)分正常和異常胸部放射照片，并泛化到兩種未知疾?。航Y(jié)核病與新冠肺炎

https://www.nature.com/articles/s41598-021-93967-2

用于檢測異常的胸部 X 光圖像的深度學(xué)習(xí)系統(tǒng)

我們使用基于 EfficientNet-B7 架構(gòu)的深度學(xué)習(xí)系統(tǒng)，且在 ImageNet 上進(jìn)行了預(yù)訓(xùn)練。我們使用來自印度阿波羅醫(yī)院的 20 多萬張去識別化 CXR 來訓(xùn)練該模型。通過使用基于正則表達(dá)式的自然語言處理方法，我們在相關(guān)的放射學(xué)報(bào)告中為每張 CXR 分配“正常”或“異?！睒?biāo)簽。

EfficientNet-B7

https://github.com/tensorflow/tpu/tree/r1.15/models/official/efficientnet

ImageNet

https://arxiv.google.cn/abs/1409.0575

為評估該系統(tǒng)在新問診者群體中的普及程度，我們在兩個(gè)由大量異常情況組成的數(shù)據(jù)集中比較了其性能：阿波羅醫(yī)院數(shù)據(jù)集的測試分塊 （DS-1），以及公開可用的 ChestX-ray14 （CXR-14）。一群獲美國職業(yè)認(rèn)證的放射科醫(yī)生為此項(xiàng)目對兩個(gè)測試集的標(biāo)簽進(jìn)行了注釋。該系統(tǒng)在 DS-1 和 CXR-14 上的接收者操作特征曲線下面積 （Receiver operating characteristic） （AUROC） 分別達(dá)到了 0.87 和 0.94（數(shù)字越高越好）。

盡管對 DS-1 和 CXR-14 的評估中包含多種異常情況，不過出現(xiàn)的用例可能是在全新或未知的環(huán)境（未知疾病）中利用這樣的異常檢測算法。為評估該系統(tǒng)對新問診者群體和訓(xùn)練集中未知疾病的通用性，我們使用了來自三個(gè)國家（地區(qū)）的四個(gè)去識別化數(shù)據(jù)集，包括兩個(gè)公開可用的結(jié)核病數(shù)據(jù)集和兩個(gè)來自 Northwestern Medicine 的新冠肺炎數(shù)據(jù)集。該系統(tǒng)在檢測結(jié)核病時(shí)曲線下面積達(dá)到了 0.95 至 0.97；在檢測新冠肺炎時(shí)曲線下面積達(dá)到了 0.65 至 0.68。由于對這些疾病呈現(xiàn)陰性的 CXR 仍可能包含其他相關(guān)異常情況，我們進(jìn)一步對該系統(tǒng)檢測異常（而不是檢測疾病為陽性或陰性）的能力進(jìn)行評估，發(fā)現(xiàn)結(jié)核病數(shù)據(jù)集的曲線下面積為 0.91 至 0.93，新冠肺炎數(shù)據(jù)集的曲線下面積為 0.86。

檢測新冠肺炎的表現(xiàn)大幅下降是因?yàn)樵S多被系統(tǒng)標(biāo)記為“陽性”的異常病例對于新冠肺炎來說呈現(xiàn)陰性，但仍需要注意，其中可能包含異常 CXR 結(jié)果。這進(jìn)一步突顯了異常檢測算法的作用，尤其是在特定疾病模型可用的情況下。

此外需要注意的是，泛化到未知疾?。唇Y(jié)核病和新冠肺炎）和泛化到未知 CXR 結(jié)果（例如胸腔積液 、實(shí)變 /浸潤）之間存在差別。在此項(xiàng)研究中，我們證明了該系統(tǒng)在檢測未知疾病方面的通用性，但對于未知 CXR 結(jié)果則不具有通用性。

臨床方面的潛在優(yōu)勢

為了解深度學(xué)習(xí)模型在改善臨床工作流方面的潛在實(shí)用性，我們模擬了在病例優(yōu)先級方面該模型的應(yīng)用，即“加急”異常病例，并將其放置在正常病例之前。在上述模擬操作中，系統(tǒng)將異常病例的周轉(zhuǎn)時(shí)間減少了 28%。通過這種設(shè)置，我們可以重新確定優(yōu)先級，將復(fù)雜的異常病例轉(zhuǎn)交給心胸?？品派淇漆t(yī)生，從而對可能需要緊急決策的病例進(jìn)行快速分類，并有機(jī)會通過簡化審查的方式對陰性 CXR 進(jìn)行批量審查。

此外，我們發(fā)現(xiàn)該系統(tǒng)可以作為預(yù)訓(xùn)練模型來優(yōu)化胸部 X 光片的其他 ML 算法，尤其是在數(shù)據(jù)有限的情況下。例如，我們在最近的研究中使用了正常/異常分類算法，以根據(jù)胸部 X 光片檢測肺結(jié)核。在專業(yè)放射科醫(yī)生或分子檢測技術(shù)等資源匱乏的地區(qū)，異常情況和結(jié)核病的檢測算法可以在初期診斷中發(fā)揮關(guān)鍵作用。

分享改進(jìn)后的參考標(biāo)準(zhǔn)標(biāo)簽

要發(fā)揮 ML 的潛力，以在世界范圍內(nèi)輔助解讀胸部 X 光片，我們還有很多工作要做。具體來說，在去識別化的數(shù)據(jù)上獲得高質(zhì)量標(biāo)簽可能是在醫(yī)療領(lǐng)域開發(fā)和評估 ML 算法的一個(gè)重要障礙。為了加速努力進(jìn)程，我們通過發(fā)布在本研究中用到的標(biāo)簽，對之前發(fā)布的標(biāo)簽進(jìn)行擴(kuò)展，并將其用于公開可用的 ChestX-ray14 數(shù)據(jù)集。我們期待著社區(qū)在該領(lǐng)域開展未來的機(jī)器學(xué)習(xí)項(xiàng)目。

責(zé)任編輯：haq