最近，我们开发了一种算法，可以在超过放射科医生的水平上进行胸部X光片诊断肺炎。
目前来讲，胸部X光片是诊断肺炎的最佳方法，在临床护理和流行病学研究中发挥着至关重要的作用。仅在美国，肺炎每年就导致100多万人住院和5万人死亡。
我们的模型——CheXNet，它是一个121层的卷积神经网络，只要输入胸部X光片图像，就能输出患有肺炎的概率以及一张热图，将图像中最能预示患有肺炎的区域局部化。
我们在最近发布的ChestX-ray14数据集上对CheXNet进行了训练，其中包含112120个正面胸部X光片图像，分别标记了14种不同的胸部疾病（包括肺炎），然后，我们使用密集连接和批量正则化对这种深度网络进行优化。
我们在ChestX-ray14数据集上训练CheXNet，其中，ChestX-ray14是最大的公开胸部X光片数据集。
ChestX-ray14数据集，是由美国国家卫生研究院发布的，其中包含了31805名独特患者的112120张正面X光片图像，在放射学报告中用自然语言处理（NLP）方法注释了多达14种不同的胸部病理标签。我们将含有肺炎的图像标记为已注释的病理特征之一的阳性样本，并将所有其他图像标记为肺炎检测任务中的阴性样本。
我们收集了420张正面胸部X光片的测试集，并从斯坦福大学的4名放射科医生那里分别获得了注释，这4名放射科医生被要求对所有14种疾病进行标记。然后，我们用其他3名放射科医生的大多数票作为参照标准来评估1名放射科医师的表现。同样，我们使用4名放射科医师中的其中3名的多数投票对CheXNet进行评估，上述过程重复4次以将所有3人小组表现评估完毕。
我们发现，在肺炎检测任务中，该模型在敏感度和特异度方面均超过了放射科医生的表现。
ChexNet是针对放射科医生的敏感度（衡量被正确识别为阳性的比例）和特异度（衡量被正确识别为阴性的比例）所进行的测试。单个放射科医生的表现以橙色标记表示，而平均表现值以绿色表示。CheXNet输出在胸部X光片中检测出患有肺炎的概率，蓝色曲线是通过改变用于分类界限的阈值而生成的。每个放射科医生的灵敏度—特异度点以及平均值位于蓝色曲线下方，这表示CheXNet能够在一个与放射科医生相媲美或超过其能力的水平上检测到肺炎。
一般说来，每年大约有20亿次手术，而胸部X光片检查是实践中最常用的影像检查工具，在对涵盖肺炎在内的疾病进行筛查、诊断和管理的过程中占据着至关重要的地位。然而，据估计，全球约有三分之二的人口无法获得接受放射诊断的机会。借助专家级别的自动化技术，我们希望这项技术能够改善医疗服务质量，并在世界各地那些缺乏有技术的放射科医生的地区增加获得医疗成像专业知识的机会。
附论文：
摘要
我们开发了一种算法，可以在超过放射科医生的水平上通过胸部X射线检测肺炎。我们的CheXNet算法是一个在ChestX-ray14上进行训练的121层的卷积神经网络，这是当前公开的最大的胸部X射线数据集，包含超过10万个X射线前视图像的14种疾病。四位在职的专业放射学家对测试集进行了注释，我们将CheXNet的表现与放射科医生的表现进行比较，结果发现，CheXNet在敏感性和特异性方面均超过普通放射科医生在肺炎检测方面的表现。我们扩展了CheXNet来检测ChestXray14中的所有14种疾病，并在所有14种疾病中取得了最先进的成果。
结论
肺炎占患者发病率和死亡率的很大一部分。肺炎的早期诊断和治疗对于预防并发症包括死亡至关重要。每年约有20亿次手术，胸部X光检查是实践中最常用的影像检查工具，对于包括肺炎在内的多种疾病的筛查、诊断和治疗至关重要。然而，根据世界卫生组织（Mollura等人，2010）的预估，全球约三分之二的人口无法获得放射诊断。即使有成像设备可用，能对X射线诊断理解的专家短缺，导致可治疗疾病的死亡率增加。
我们开发了一种超过放射科医生在从正面胸部X射线图像中检测出肺炎的表现的算法。我们还表明，我们检测多种疾病的算法的一个简单扩展，超过了最大的公开胸部X射线数据集ChestX-ray14的先前技术水平。随着专家级水平的自动化，我们希望这项技术能够提高医疗服务质量，并增加在世界上专业放射科医生有限的地区获得医学影像专业知识的机会。
