隨著對(duì)使用稱為卷積神經(jīng)網(wǎng)絡(luò)(CNN)的計(jì)算機(jī)系統(tǒng)框架來(lái)分析醫(yī)學(xué)成像并提供計(jì)算機(jī)輔助診斷的興趣的增長(zhǎng)，最近的研究表明，AI圖像分類可能不會(huì)推廣到新數(shù)據(jù)以及通常描繪的。

西奈山伊坎醫(yī)學(xué)院的研究人員評(píng)估了AI模型如何在三個(gè)醫(yī)療機(jī)構(gòu)的158,000個(gè)胸部X光片中發(fā)現(xiàn)肺炎：美國(guó)國(guó)立衛(wèi)生研究院; 西奈山醫(yī)院; 和印第安納大學(xué)醫(yī)院。研究人員選擇研究胸部X射線肺炎的診斷，因?yàn)樗谘芯拷缙毡榇嬖冢R床意義和流行。

在五分之三的比較中，CNN在診斷自己網(wǎng)絡(luò)外醫(yī)院的X射線疾病方面的表現(xiàn)明顯低于原始衛(wèi)生系統(tǒng)的X射線。然而，有線電視新聞網(wǎng)能夠以高度準(zhǔn)確的方式檢測(cè)出獲得X射線的醫(yī)院系統(tǒng)，并根據(jù)培訓(xùn)機(jī)構(gòu)中肺炎的流行情況對(duì)其預(yù)測(cè)任務(wù)作弊。研究人員發(fā)現(xiàn)，在醫(yī)學(xué)中使用深度學(xué)習(xí)模型的難點(diǎn)在于它們使用大量參數(shù)，因此難以識(shí)別推動(dòng)預(yù)測(cè)的特定變量，例如醫(yī)院使用的CT掃描儀類型和成像的分辨率質(zhì)量。

“我們的研究結(jié)果應(yīng)該暫停那些考慮快速部署人工智能平臺(tái)的人，而不是嚴(yán)格評(píng)估他們?cè)诂F(xiàn)實(shí)臨床環(huán)境中的表現(xiàn)，反映出他們的部署地點(diǎn)，”資深作者Eric Oermann博士說(shuō)，他是伊坎學(xué)院神經(jīng)外科學(xué)講師在西奈山的醫(yī)學(xué)。“經(jīng)過(guò)培訓(xùn)以進(jìn)行醫(yī)學(xué)診斷的深度學(xué)習(xí)模型可以很好地概括，但這不能被視為理所當(dāng)然，因?yàn)椴煌瑱C(jī)構(gòu)的患者人群和成像技術(shù)存在顯著差異。”

“如果要將CNN系統(tǒng)用于醫(yī)療診斷，必須對(duì)其進(jìn)行定制，以便仔細(xì)考慮臨床問(wèn)題，針對(duì)各種現(xiàn)實(shí)情況進(jìn)行測(cè)試，并仔細(xì)評(píng)估以確定它們?nèi)绾斡绊憸?zhǔn)確診斷，”第一作者John Zech說(shuō)，西奈山伊坎醫(yī)學(xué)院的一名醫(yī)科學(xué)生。

這項(xiàng)研究建立在今年早些時(shí)候發(fā)表在放射學(xué)和自然醫(yī)學(xué)期刊上的論文的基礎(chǔ)上，該論文奠定了應(yīng)用計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)(包括自然語(yǔ)言處理算法)的框架，用于識(shí)別CT掃描放射學(xué)報(bào)告中的臨床概念。