离开百度之后，吴恩达在学术界异常活跃，除了推出最新的深度学习在线课程之外，他还带领着一支来自斯坦福的团队不断推进深度学习在医疗领域的应用。

近日，吴恩达团队在arXiv上发表了他们的最新成果——用来检测肺炎的CheXNet。研究人员表示，这种被称为CheXnet的算法是一个层的卷积神经网络，能够通过胸部X光片判断病人是否患有肺炎，而且它的水平已经超越了专业的放射科医师。

简介

仅在美国，每年就有多万成年人因肺炎住院，其中约5万人因此死亡（CDC，）。目前，胸部X光检查是诊断肺炎的最佳方法（WHO，），它在临床护理和流行病学研究中发挥着至关重要的作用。然而，通过X光片来检测肺炎是一项具有挑战性的任务，需要依赖放射科医师的专业能力。在这项工作中，我们提出了一个模型，可以通过胸部X光片自动检测肺炎，其准确率甚至超过了放射科医师。

我们的模型ChexNet（如图1所示）是一个层的卷积神经网络，它的输入是胸部X光片，输出是肺炎的概率以及热点图（heatmap）——用来定位最能指示肺炎的图像区域。我们利用最近发布的ChestX-ray14数据集对CheXNet进行了训练，该数据集包含,个单独标注的14种不同胸部疾病（包括肺炎）的正面胸部X光片。我们使用密集连接（denseconnections）和批量归一化（batchnormalization）来优化这种深度网络。

图1

对于放射科医师来说，通过胸部X光来检测肺炎是很困难的一件事。X光片中肺炎的特征往往是模糊的，可能与其他诊断重叠，甚至会与其他良性的异常混淆，因此不同的放射科医师在诊断肺炎方面有相当大的差异。为了评估放射科医师的表现，我们请来了四名执业学术放射科医师，让他们对ChestX-ray14中的张图像进行标注。然后让其他医师进行投票，以此来衡量这些医师的表现，接着我们用同样的方法来测试模型的表现。

我们发现该模型在敏感性和特异性肺炎的检测任务上的表现超过了放射科医师。为了将CheXNet与之前的同类工作进行比较，我们对ChexNet进行了简单的修改，以检测ChestX-ray14中的所有14种疾病，结果我们在这14种疾病的诊断表现上都超过之前已公布方法的最好成绩。

CheXNet架构和训练

肺炎检测是一个二分类问题，其中输入是正向的正面的胸部X光片“X”，输出是指示肺炎的存在或不存在的二元标签t∈{0,1}。对于训练集中的单个示例，我们优化二元交叉熵损失

其中p(T=i

X)是网络分配给标签i的概率。

CheXNet是在ChestX-ray14数据集上训练的层密集卷积网络（DenseNet）。DenseNets通过改善网络的信息流和梯度，让非常深的网络的优化变得易于处理。我们将最终的全连接图层替换为单输出单元，之后我们应用非线性sigmoid函数，输出的是包含肺炎概率的图像。

网络权重的初始化是随机的，然后我们使用Adam的标准参数（β1=0.9和β2=0.）对网络的进行端对端的训练。我们使用大小为16的批量数据来训练模型，并将初始学习速率设置为0.01。

我们使用Wang等人发布的ChestX-ray14数据集，其中包含30,名患者的,张正面X光片。Wang等人使用放射学报告中的自动提取方法，用多达14个不同的胸部病理学标签来标注每个图像。我们将确诊为肺炎的图像标记为正面示例（positiveexamples），并将所有其他图像标记为反面示例（negativeexamples）。我们将整个数据集随机分成80％的训练数据和20％的验证数据。

在将图像导入神经网络之前，我们将图像尺寸缩小到×，并基于ImageNet训练集中的图像的均值和标准偏差进行归一化。我们还通过随机水平翻转来增加训练数据的数量。

CheXNetVS放射科医师

我们收集了张正面胸部X光片作为测试集，然后让斯坦福大学的四位执业放射科医师对其进行标注。

我们评估了放射科意识在肺炎检测任务的测试集上的表现。回想一下，test中的每一张图片都有来自4位执业放射科医师的真实标注。我们让其他3名放射科医师进行投票，然后用投票结果来评估每个放射科医师的表现，然后我们用同样的方法对CheXNet进行评估，并重复四次，以覆盖所有不同的医师组合。

我们比较了CheXNet和放射科医师诊断结果的ROC（ReceiverOperatingCharacteristic）曲线，该曲线将模型敏感性与1-特异性进行了比较。图2显示了ROC曲线模型和四名放射科医师的个人以及平均操作点：每名放射科医师的表现用橙色表示，而平均值以绿色表示。CheXNet的输出为检测数肺炎的概率，并且通过改变用于分类边界的阈值来生成ROC曲线。CheXNet的AUROC为0.，而每个放射科医师的敏感度特异性点数和平均值低于ROC曲线，表明CheXNet在检测肺炎这项任务上已经能够匹配甚超过放射科医师。

图2

模型解释

为了解释网络预测，我们还使用类激活映射（classactivationmappings，CAMs）来产生热点图让图像中最具指示性的区域可视化。为了生成CAMs，我们将图像导入到已经完全训练过的网络重，并提取由最终卷积层输出的特征图。令为第k个特征映射，令为特征映射k导致病理c的最终分类层的权重。我们通过使用与其关联权重的特征图的加权和来获得用于将图像分类为病理学c的最显着特征的图。

从形式上看

原文







































补骨脂注射液零售价
中科白癜风医院让天下无白