史丹佛演算法診斷肺炎勝放射科醫師！

瑪莉(化名)13歲的兒子發高燒和咳嗽，送進了史丹佛急診室，他被懷疑為肺炎，所以照了胸腔X光，結果呈現陰性。因此，醫生給他靜脈注射和退燒藥後，就請他回家。一個星期後的半夜，他因發高燒和對藥物沒反應，再次被送進急診室。這次的胸部X光再次被解讀為陰性，並且進行了各項的疾病篩檢，但依然沒有任何結果，他就被再請回家了。直到兩天後，瑪莉接到放射科的電話，週末的X光檢查結果，已經改判為肺炎…..所幸瑪莉的孩子在被診斷為肺炎後，立即施打抗生素，24小時之後已退燒。

上述的故事，已經錯失了兩次診斷醫療的機會，這個問題也凸顯出肺炎診斷的難度。史丹佛大學的研究人員，開發出了一種機器學習算法(Deep learning)，可從X光片中診斷出肺炎，且較放射科醫師更準確，而且一個月內就可以訓練完成診斷的準確度！

胸腔Ｘ光照片難辨認

每年有100萬的美國民眾，因疑似肺炎就醫，但胸腔X光照片難以辨認，造成診斷醫療困難。為解決這個問題，史丹佛大學教Andrew Ng所領導的機器學習(deep learning)小組，對美國國立衛生研究院的數據資料庫進行研究。數據資料庫包含了112,120個胸部X射線相片，還標有14種不同的可能診斷結果及初步的演算法。研究人員同時求四名史丹佛放射科醫師，對420張圖像進行註釋，是否有發生肺炎跡象？

CheXnet演算法，判斷肺炎贏醫生

在一個星期內，研究人員開發了叫做CheXnet的演算法，比研究院原始數據資料庫的算法更準確，而且一直比放射科醫生更準確地診斷出肺炎。雖然放射科醫生之中，有人診斷特別精準，但在考察判斷420張X光片是否為肺炎的精準度，CheXnet診斷肺炎病例的正確性和錯誤率，結果比所有醫生好。

史丹佛大學還創建了胸部X射線的熱圖，用顏色標示最有可能發生肺炎的圖像區域，可以大幅幫助放射科醫生判斷，病人是否罹患肺炎？若CheXnet的演算法，通過更多的臨床研究證實其功效，期待可以普遍運用在各國醫院的診斷上，縮短醫療時間，幫助病人及早恢復健康；並盼望該團隊未來能更進一步研發，提升確診肺癌的演算法，幫助肺癌猖獗的國家，病患能在初期確診，早期發現早期治療，降低健保支出，提升肺癌患者存活率！

黃聖筑/綜合報導　林筠/圖