在处理了数千张胸投 X 片和相应的临床报告后，一种人工智能算法已经学会了像人类放射科医生一样，在这些扫描中准确地识别疾病。
目前大多数诊断型人工智能模型都是在人类标记好的图像上进行训练的，但这种标记是一个耗时的过程。一种名为 CheXzero 的新模型，可以从现有的医疗报告中自主“学习”，而这些报告是专家们用自然语言撰写的。
这项研究结果表明，为了训练人工智能模型来理解医学图像这一目的，对 X 光片的标记并不是必要的，这可以节省时间和资金。
来自哈佛医学院的一组研究人员，利用一份公开可用的数据集，对 CheXzero 模型进行了训练，该数据集包含多于 377000 张的胸部 X 光片和超过 227000 份相应的临床报告。
这项研究教会了该模型将某些类型的图像与现有的对应报告联系起来，而不是从专门人工标记过的结构化数据中学习。
随后，他们利用分别来自于两个不同机构，以及另一个国家的不相关数据集，对 CheXzero 的性能表现进行了测试，以检验即使是在报告中包含不同术语（另一个国家）的情况下，模型也能够将图像与相应的报告进行匹配。
这项发表在 Nature Biomedical Engineering 上的研究论文发现，与其他自我监督的人工智能模型相比，该模型在识别肺炎、肺功能衰竭和病变等疾病方面更有效。事实上，它在准确性上与人类放射科医师相当。
当其他人员试图使用非结构化医疗数据训练模型时，该研究是第一次有团队的人工智能模型能从非结构化文本中学习，并能在性能方面与放射科医师相匹敌。该模型已然展示了以高度准确性从一幅给定的 X 光图像预测多种疾病的能力，埃金·提（Ekin Tiu）说，他作为斯坦福大学的一名本科生，同时也是哈佛医学院的访问研究者，合著撰写了这篇论文。
他说：“我们是第一个这样做并在这个领域有效地证实这一点的人。”
模型的代码已经公开给其他研究人员，并有希望可以应用于 CT 扫描图像、核磁共振成像和超声心动图上，以在身体的其他部位帮助检测更大种类范围的疾病，普拉纳夫·拉杰普卡尔（Pranav Rajpurkar）说，他是哈佛医学院布拉瓦特尼克研究所生物医学信息学的助理教授，主导了本研究项目。
他说：“我们希望人们能够以‘开箱即用’的方式，将模型应用于他们所关心的其他胸部 X 光图像数据集和疾病类型。”
拉杰普卡尔还乐观地认为，只需极少监督的诊断性人工智能模型或有助于在专家稀缺的国家和社区增加获得医疗保健的机会。
克里斯蒂安·莱比格（Christian Leibig）说：“使用文字报告中更为丰富的训练数据是很有道理的。”他是德国初创公司 Vara 的机器学习主管，该公司使用人工智能来检测乳腺癌。“该工作能够达到这样的性能水平，这是一个相当了不起的成就。”
支持：王贝贝
原文：
https://www.technologyreview.com/2022/09/15/1059541/ai-medical-notes-teach-itself-spot-disease-chest-x-rays/
