用機器學習算法分析胸部X射線圖像說起來容易做起來難。

這是因為通常情況下，訓練這些算法所需的臨床標簽是通過基于規(guī)則的自然語言處理或人工注釋獲得的，這兩種方法都容易引起不一致和錯誤。此外，要組裝代表各種病例的數(shù)據(jù)集，并僅給出圖像就建立具有臨床意義且一致的標簽是很困難的。

為了推動有關X射線圖像分類的目標，Google的研究人員設計了AI模型，以在人類胸部X射線上發(fā)現(xiàn)以下四個發(fā)現(xiàn)：氣胸(塌陷的肺)，結(jié)節(jié)和腫塊，骨折和空洞混濁(用材料填充肺樹)。在《自然》雜志上發(fā)表的一篇論文中，研究小組聲稱，該模型家族在人類專家進行的獨立審查中使用了帶有高質(zhì)量標簽的數(shù)據(jù)集中的數(shù)千張圖像進行了評估，證明了其在放射線水平上的表現(xiàn)。