吴恩达的斯坦福团队发布了一个X光确诊算法，依据深度神经网络。

与从前的肺炎检测专门算法不同，这次的CheXNeXt模型，可以确诊14种疾病，包括肺炎、胸腔积液、肺肿块等等。

在其间10种疾病的确诊上，AI都与人类放射科医师的体现相当，还有一种超越了人类。而且，AI的确诊速度是人类的160倍。

团队说，这样的算法有希望填补医疗资源的缺少，也可以用来削减人类医师因为疲劳而导致的确诊错误。

AI医师如何炼成 最大的数据集

?

算法是用ChestX-ray14数据集来练习的，这是现在最大的X光机数据库，有超越11万张正面胸片，来自3万多位患者。

14，就代表这些胸片里，总共包括了14种肺部疾病。

每一张胸片都要标示，是依据医师的放射学陈述，用自动提取 (Automatic Extaction) 的方法来标示的。

练习过程分两步

算法是由多个神经网络调集而成。

第一步，由所以自动标示，所以要解决标签部分不正确(Partially Incorrect) 的问题。

具体方法是，先让这些神经网络，在数据集里练习14种疾病的猜测。然后用它们做出的猜测，来重新标示数据集。

第二步，再拿一个新的神经网络调集，在新标示的数据集上练习。这次练习完结，AI就可以去确诊疾病了。

那么，AI猜测过程中的要点在哪里？

图上有要点

算法不需要任何额定的监督，就可以用胸片来生成热图(Heat Map) ，相当于划要点：

颜色越暖的部分，对疾病确诊越有价值。

这是依靠类激活图 (Class Activation Mapping，CAM) 来完结的。

如此一来，AI就像人类一样，知道确诊某种疾病的时候，哪里才是该要点关注的部分。

人机大赛

练习好之后，团队找了9个人类放射科医师来竞赛。其间：

6位来自学术机构，均匀经验超越12年。

3位来自医院，是放射科高级住院医师。

人类和AI要识别的，是420张正面胸片，也是包括14种疾病：

肺不张，心脏肥壮，巩固，水肿，积液，肺气肿，纤维化，疝气，滋润，肿块，结节，胸膜增厚，肺炎，气胸。

竞赛结果如下：

只有在心脏肥壮，肺气肿和疝气这三项确诊中，AI显着不敌人类选手的准确度。

在肺不张的确诊中，AI的体现显着优于人类。

△正常心脏 (左) vs 肥壮心脏 (右)

其他10项，人类与AI不相上下。

总体来说，算法的确诊能力与与放射科医师附近。

所以，仍是看一下速度吧。

420张图，AI用时1.5分钟，人类用时240分钟。

吴恩达教师终年寻求的“AI颠覆医疗”之说，仍是在时间上体现最显著。

One More Thing

随研究成果一起发布的视频里，有一个叫XRay4All的手机使用，只要给胸片拍个照，就可以让AI帮助确诊了。

不知那会是多远的未来，但这次的人机比赛，AI的体现仍是能看到希望的。