數栗子 發自 凹非寺
量子位 報道 | 公眾號 QbitAI

最近，吳恩達的斯坦福團隊發布了一個叫做CheXpert的大型數據集，論文中選了AAAI 2019。

它包含了224,316張標注好的胸部X光片，以及放射科醫師為每張胸片寫的病理報告。

雖然，像從前NIH發布的ChestX-ray14數據集那樣，CheXpert也是根據醫師的報告，自動標注肺水腫、心臟肥大等各種病癥的；

但團隊說，新的數據集更適合做Benchmark，因為測試集上的標簽，是經過 (持證上崗的) 放射科醫師驗證的標簽。

團隊便是用這個數據集做Benchmark，舉行了一場5種疾病的識別比賽。

數據集是怎樣煉成的

這22萬張胸片，都是2002年10月到2017年7月之間，斯坦福醫院做過的X光檢查，來自65,240個就診的人類。

有哪些標簽

每張胸片有14個標簽要貼，其中12個，是表明患者是否存在心臟肥大 (Cardiomegaly) 、肺部病變 (Lung Lesion) 等12種疾病特征。

另外兩個標簽，一個是無發現 (No Finding) ，另一個是輔助器具 (Support Devices) 。

14個標簽，都分為陰 (Negative) 、陽 (Positive) 以及不確定 (Uncertain) 這三種選項。

因為，并不是所有問題，都能從胸片上得到確定的答案。如果不能做出明確的判斷，就不可以貿然輸出陰或陽。

自動標注工具

有了14個標簽要貼，吳恩達團隊開發了一種自動貼標簽的算法：從醫師每張胸片做的報告文本里，找到和每個標簽相對應的信息。

算法分三步：

一是提取文中提及的信息 (Mention Extraction) ，得出一個列表；
二是為提及的信息做分類 (Mention Classification) ，分成陰、陽、不確定這三類；
三是把提及的信息聚合起來 (Mention Aggregation) ，得出最終結論，標注完成。

團隊已經把標注工具開源了：

stanfordmlgroup/chexpert-labeler?github.com

人類醫師驗證一下

數據集要成為合格的Benchmark，測試集給的標準答案就要有說服力。

團隊找到8位持證的放射科醫師，讓他們獨立去標注500張胸片的測試集。然后，把5位醫師給出的主流答案作為Ground Truth；至于，另外3位醫師的答案，后面有其他用途。

這樣一來，各路診斷模型都可以在一個相對有效的標準之下接受評估。

對比一下，從前的ChestX-Ray14數據集里，測試集是自動標注，并沒有經過人類醫師的鑒定。團隊認為，CheXpert更加適合做Benchmark。

你也來比賽吧

既然提供了新的Benchmark，就可以拿來比賽。

吳恩達老師發推宣布，一場疾病識別比賽已經開始了，歡迎大家帶著自己的模型去參加。

比賽內容涉及5種疾病的識別：

· 肺不張 (Atelectasis)
· 心臟肥大 (Cardiomegaly)
· 肺實變 (Consolidation)
· 肺水腫 (Edema)
· 胸腔積液 (Pleural Effusion)

為了鼓勵小伙伴們前去參與，團隊祭出了自家模型里成績最好的一只：

用500張胸片的測試集來比，這個模型在心臟肥大、肺水腫以及胸腔積液這三項上，超越了前面提到的“另外3位人類醫師”。

若以粗暴的五局三勝為規則，AI已經贏了。

有興趣的同學，可以去試試看自己的模型能不能超越斯坦福的AI。數據集和參賽方法都在這里啦：

CheXpert數據集傳送門：https://stanfordmlgroup.github.io/competitions/chexpert/
(注冊一下，就會收到下載鏈接)

CheXpert論文 (AAAI 2019) 傳送門：https://arxiv.org/pdf/1901.07031.pdf

比賽參加方法傳送門：https://worksheets.codalab.org/worksheets/0x693b0063ee504702b21f94ffb2d99c6d/

— 完 —

量子位 · QbitAI

?'?' ? 追蹤AI技術和產品新動態

戳右上角「+關注」獲取最新資訊↗↗

如果喜歡，請分享or點贊吧~比心?

總結

以上是生活随笔為你收集整理的x光肺部分割数据集_吴恩达发布了大型X光数据集，斯坦福AI诊断部分超越人类 | AAAI 2019...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。