人工智能能否可靠地报告胸片？：放射科医生对基于230万张X射线训练的算法的验证
计算机视觉与模式识别
2019-06-05 v2
摘要
背景：胸片是医生开具的最常用、最具成本效益的诊断成像检查。一个经过临床验证、能够可靠区分正常与异常的AI系统，尤其在资源匮乏的环境中具有不可估量的价值。本研究的目的是开发并验证一个深度学习系统，以检测胸片上出现的各种异常。方法：一个深度学习系统在230万张胸片及其对应的放射学报告上进行训练，以识别胸片上出现的各种异常。该系统在以下数据上进行了测试——1. 在一个独立、回顾性收集的2000张X射线集合（CQ2000）上由三名放射科医生多数表决；2. 在一个独立的100,000次扫描验证集（CQ100k）上的放射科医生报告。主要准确性指标为ROC曲线下面积（AUC），针对每种异常以及正常与异常扫描分别估计。结果：在CQ2000数据集上，该深度学习系统检测异常扫描的AUC为0.92（CI 0.91-0.94），检测肋膈角变钝、心影增大、空洞、实变、纤维化、肺门增大、结节、不透亮影和胸腔积液的AUC（CI）分别为0.96（0.94-0.98）、0.96（0.94-0.98）、0.95（0.87-1）、0.95（0.92-0.98）、0.93（0.90-0.96）、0.89（0.83-0.94）、0.91（0.87-0.96）、0.94（0.93-0.96）、0.98（0.97-1）。在更大的CQ100k数据集上AUC相近，但检测正常片的AUC为0.86（0.85-0.86）。解读：我们的研究表明，在大规模、良好标注的数据集上训练的深度学习算法能够准确检测胸片上的多种异常。随着这些系统准确性的提高，将深度学习应用于扩大胸片解读的覆盖范围并提升报告效率，将为全球放射科工作流和公共卫生筛查带来巨大价值。
引用
@article{arxiv.1807.07455,
title = {Can Artificial Intelligence Reliably Report Chest X-Rays?: Radiologist Validation of an Algorithm trained on 2.3 Million X-Rays},
author = {Preetham Putha and Manoj Tadepalli and Bhargava Reddy and Tarun Raj and Justy Antony Chiramal and Shalini Govil and Namita Sinha and Manjunath KS and Sundeep Reddivari and Ammar Jagirdar and Pooja Rao and Prashant Warier},
journal= {arXiv preprint arXiv:1807.07455},
year = {2019}
}
备注
v2