据美国疾控中心的数据，仅在美国每年就有100多万成年人因肺炎住院，约5万人死于该疾病。世界卫生组织表示，目前，胸部X光是诊断肺炎的最佳方法，这在临床护理和流行病学研究中都发挥着重要作用。然而，虽然X光很有效，但仍要求放射科医生具备高水平的诊断能力。因为X光片中的肺炎往往很模糊，有时还会与其他病症相重叠，有时甚至会被误诊为其他良性疾病。

最近，著名深度学习专家吴恩达和他在斯坦福大学的团队发明了一种名为CheXNet的新技术，这是一种新的机器学习模型，它的算法是一个121层的卷积神经网络。将一张胸部X光片输入其中，就能输出病人得肺炎的概率以及热图。这些热图能显示出肺炎的发病区域。



模型构建

CheXNet是一个121层的密集卷积网络，被应用于ChestX-ray 14上进行训练。ChestX-ray 14是当前公开的最大胸部X光片数据集，内含112120张前胸X光片，包括14种不同的疾病。

CheXNet通过神经网络改善信息流和梯度，能更容易地优化深层的网络。研究人员用单输出图像替换最终的全连接图层，然后通过一个Sigmoid非线性方程得出的肺炎的概率。

训练与测试

在ChestX-ray 14的数据集里，之前的研究人员将里面超过10万张X光片用放射学报告的自动提取方法进行标注。在本次实验中，斯坦福大学的研究人员们将标为肺炎的片子记为正，其他13种疾病标位负。然后将这些数据随即打乱，选出其中80%用于训练，剩下的20%用来验证。另外，研究人员还随机选出图像进行翻转，增加训练数据。

其中，他们手机了420张前胸X光片组成一个测试集，让四位斯坦福大学的职业放射科医生这些照片进行标注。他们分别由4年、7年、25年和28年的从医经验，其中一位还专门接受过胸部放射科培训，是一名附属专科医生。他们除了一张X光片，再无其他信息可了解。他们得出的结果将被输入一个标准程序中。

CheXNet vs. 人类医生

研究人员在受试者操作特征曲线（ROC曲线）上表示出人类医生和CheXNet的判断结果，横坐标为1-特异度（假阳性率），纵轴为灵敏度（真阳性率）。下图就显示了四名放射科医生的判断结果（橙色）和他们的平均值（绿色）。



CheXNet在ChestX-ray上检测患者得肺炎的概率，并通过改变用于分类器边界的阈值形成蓝色的ROC曲线。通过计算，人们得出ROC曲线下面积（AUROC）为0.788（该值的范围在0~1之间，数值越大，分类器正确率越高），并且图中可以看出每位医生及他们的平均值都处于ROC曲线之下，表明CheXNet已经能达到人类医生的水平，甚至超过医生检测出肺炎。

但是这种对照还存在两点不足：首先，不论是模型还是医生，在判断之前是不了解患者信息的，这有可能会影响医生的判断；另外，我们只提供了正面X光片，但是有研究显示15%的精准诊断需要参考后背X光片。希望这个结果有可能低估了人类医生的水平。

CheXNet vs. 其它工具

接着，研究人员又将算法扩展，不再让CheXNet输出一个二类标签，而是判断一张图片是否有多种疾病，即ChestX-ray 14中的14种疾病：肺不张、心脏肿大、肺实变、肺水肿、胸腔积液、肺气肿、纤维病变、疝气、浸润、肿块、结节、胸膜增厚、肺炎和气胸。然后将CheXNet与以往的成果相比较，结果展示在下表中。



可以看到，CheXNet的表现胜过之前的两个模型。在肺不张、肿块、结节、肺炎和肺气肿方面，CheXNet的AUROC值均比之前的模型增加了0.05以上。

热图解读

最后，为了解释CheXNet的预测，研究人员利用类激活图（CAM）产生热图，让病变区域可视化。下图中红色区域即表示病变最严重的地方，需特别注意。



结语

研究人员希望CheXNet能够应用到医疗资源紧张的地区，帮助人们精准、快速地检测疾病。同时该小组还在医学领域做着其他研究，例如检测不规则的心脏跳动以及建立电子病历数据库。

小组成员、论文的合著者杰里米·欧文（Jeremy Irvin）说：“我们将继续致力于医疗算法的研究，提高医学检测的质量。同时，我们还希望能提供匿名的医学数据集，以便其他人开展类似工作。机器学习是改善医疗保健系统的重要工具，我们希望能不断创新，在这一领域处于领先地位。”



放射科医生Matthew Lungren（左）与小组成员Jeremy Irvin和Pranav Rajpurkar会面，讨论算法检测结果