斯坦福开发新算法CheXNet，能比放射科医生更好地发现肺炎

在人工智能可以比人类做得更好的清单上，现在可以加上“诊断出危险的肺部疾病”这一事项了。斯坦福大学的研究人员在arXiv发表了一篇新的论文，解释了他们开发的卷积神经网络CheXNet是如何做到这一壮举的。

在人工智能可以比人类做得更好的清单上，现在可以加上“诊断出危险的肺部疾病”这一事项了。

斯坦福大学的研究人员在arXiv发表了一篇新的论文，解释了他们开发的卷积神经网络CheXNet是如何做到这一壮举的。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光数据集，该数据集有超过10万张的胸透X光图，包含了14种不同疾病的信息，这些信息都出现在图像中。研究人员让四名放射科医师检查一组X光并进行诊断，然后与CheXNet的诊断结果相比较。CheXNet不仅击败了所有的放射科医生，在发现了肺炎的同时，还证明了其他13种疾病的识别能力。

• 论文地址：https://arxiv.org/pdf/1711.05225.pdf

早期发现的肺炎可以帮助预防美国每年5万例死亡的病例。肺炎也是全世界儿童死亡人数最多的传染病，2015年有近100万5岁以下儿童死亡。

论文的合著者、百度人工智能研究的前负责人吴恩达认为，人工智能将越来越多地依赖于医学。他之前曾研究过一种算法，在接受过心电图(ECG)数据的训练后，可以识别出心率失常，甚至识别的效果比人类专家还要好。最近发表在《自然》杂志上的另一种深度学习算法，能够识别出癌症的皮肤病变，效果好到可以与一名经过董事会认证的皮肤科医生相媲美。

此前的研究表明，人工智能在CT扫描中发现问题的能力和医生一样好。Geoffrey Hinton是深度学习的先驱之一，他认为，由于人工智能的进步，医学院“现在应该停止训练放射科医生”。分析基于图像的数据，如X光、CT扫描和医学照片，是深度学习算法的优势所在。它们可以很好地帮助医生拯救患者的生命。