【原】使用深度学习检测异常胸部 X 射线

视频介绍：使用深度学习检测异常胸部 X 射线

在医学成像应用中采用机器学习 (ML) 为提高胸部 X 射线 (CXR) 图像解释的可用性、延迟、准确性和一致性提供了一个令人兴奋的机会。事实上，已经开发了大量算法来检测特定疾病，例如肺癌、肺结核和气胸。. 然而，由于接受过检测特定疾病的训练，这些算法在一般临床环境中的效用可能会受到限制，在这种环境中可能会出现各种各样的异常情况。例如，气胸检测器预计不会突出提示癌症的结节，而肺结核检测器可能无法识别特定于肺炎的发现。由于最初的分类步骤是确定 CXR 是否包含相关异常，因此识别包含任何类型异常的X 射线的通用算法可以显着促进工作流程。但是，由于 CXR 上存在各种各样的异常发现，因此开发分类器来执行此操作具有挑战性。

在《科学报告》中发表的“用于区分正常与异常胸部 X 光片以及对两种看不见的疾病结核病和 COVID-19 的概括的深度学习”中，我们提出了一个模型，该模型可以在多个去识别化数据集和设置中区分正常和异常 CXR。我们发现该模型在一般异常以及未见的结核病和 COVID-19 示例方面表现良好。我们还发布了我们的放射科医师的标签组1在本研究中使用的公开可用的测试集ChestX-ray14数据集。

用于检测异常胸部 X 射线

的深度学习系统我们使用的深度学习系统基于EfficientNet-B7架构，在ImageNet上进行了预训练。我们使用来自印度阿波罗医院的200,000 多个未识别身份的 CXR 训练模型。使用基于正则表达式的自然语言处理方法在相关放射学报告上为每个 CXR 分配“正常”或“异常”标签。

为了评估该系统对新患者群体的泛化能力，我们比较了它在包含广泛异常的两个数据集上的性能：来自 Apollo Hospitals 数据集 (DS-1) 的测试拆分和公开可用的ChestX-ray14 (CXR -14）。出于该项目的目的，这两个测试集的标签由一组美国委员会认证的放射科医生进行了注释。该系统在 DS-1 上实现了 0.87 和 CXR-14 上的 0.94（越高越好）的接受者操作特征曲线下面积( AUROC )。

尽管对 DS-1 和 CXR-14 的评估包含广泛的异常，但一个可能的用例是在具有以前未遇到过的疾病的新的或不可预见的环境中使用这种异常检测器。为了评估该系统对新患者群体的普遍性以及在存在训练集中未见的疾病的情况下，我们使用了来自三个国家的四个去识别化数据集，包括两个公开可用的结核病数据集和两个来自西北医学的COVID-19 数据集. 该系统在检测结核病方面达到了 0.95-0.97 的 AUC，在检测 COVID-19 方面达到了 0.65-0.68。由于对这些疾病呈阴性的 CXR 仍可能包含其他相关异常，我们进一步评估了系统更广泛地检测异常的能力（而不是疾病阳性与阴性），发现结核病数据集的 AUC 为 0.91-0.93，并且COVID-19 数据集的 AUC 为 0.86。

COVID-19 的性能大幅下降是因为许多被系统标记为异常“阳性”的病例对 COVID-19 为阴性，但仍然包含需要注意的异常 CXR 发现。这进一步突出了异常检测器的有用性，即使特定疾病模型可用。

此外，重要的是要注意对看不见的疾病（即结核病和 COVID-19）的概括与对看不见的 CXR 发现（例如，胸腔积液、实变/浸润）的概括之间存在差异。在这项研究中，我们证明了该系统对看不见的疾病的普遍性，但不一定对看不见的 CXR 发现。

临床中的潜在好处

为了了解深度学习模型在改进临床工作流程方面的潜在效用，我们模拟了它在病例优先级排序中的使用，其中异常病例在正常病例之前“加速”。在这些模拟中，系统将异常情况的周转时间减少了 28%。这种重新排序设置可用于将复杂的异常病例转移给心胸专科放射科医生，使可能需要紧急决定的病例快速分类，并提供批量阴性 CXR 以进行简化审查的机会。

此外，我们发现该系统可以用作预训练模型来改进胸部 X 射线的其他 ML 算法，尤其是在数据有限的情况下。例如，我们在最近的研究中使用正常/异常分类器从胸部 X 射线检测肺结核。在缺乏训练有素的放射科医生或分子检测等资源的地区，异常和结核病检测器可以在支持早期诊断方面发挥关键作用。

共享改进的参考标准标签

要实现 ML 在世界范围内辅助胸部 X 射线解释的潜力，还有很多工作要做。特别是，在去标识化数据上获得高质量标签可能是在医疗保健领域开发和评估 ML 算法的重大障碍。为了加快这些努力，我们通过发布本研究中用于公开可用的ChestX-ray14 数据集的标签来扩展我们之前发布的标签。我们期待社区在这个领域开展未来的机器学习项目。