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。


熱門新聞

Advertisement