胸部X射线为肺部疾病提供了一种快速筛查方法：放射科医生在这些黑白图像中都可以识别出肺部萎陷，积液过多或组织肿胀。医生还使用这些图像来帮助快速诊断疾病，例如。快速进行的X射线检查将使超支的医院受益，人工智能(AI)算法的开发者希望它们能够提供帮助。但是，从医院获取他们需要的数据并确保准确性是他们必须首先克服的挑战。

“在像纽约这样的地方，[]患者激增，他们已经在进行胸部X射线检查以及病毒检测。那么，为什么不通过构建AI(软件)来帮助筛选所有这些图像而立即产生更大的影响呢?”加拿大滑铁卢大学(University of Waterloo)的AI研究医学图像处理问题的Wong说。

大多数获得的人都会出现症状，包括干咳，发烧和疲倦。有些还发展为严重的肺部感染，使他们喘不过气来。由细菌或其他病毒引起的会引起类似的症状，而没有实验室检查就很难区分这些疾病。对于，测试套件仍然供不应求，结果可能要花几天甚至几周才能恢复。因此，尽管CDC建议不要完全基于X射线进行诊断，但医生还是向X射线机求助。大多数医院都可以买到这种机器，并且易于消毒，可以帮助将诊断时间减少到几分钟，从而使医生能够迅速隔离并治疗患者。

研究人员希望AI算法可以使医生更好地将与其他疾病区分开来，从而给医生带来优势。“我们知道专家已经超负荷工作，因此这些快速筛选工具可能会非常有用。”一位使用AI算法研究医学问题的计算机科学家Marzyeh Ghassemi说。加西米(Ghassemi)在加拿大的媒介研究所和多伦多大学工作，之前曾训练过算法，可以从X射线中了解感染的肺部特征，目前正在对其算法进行再培训，以针对做同样的事情。她认为，如果像流感一样循环出现，人工智能将特别有用。她说：“能够说，等一下，这不是[正常]，这又是COVID，将非常有价值。”

像其他AI图像识别算法一样，开发用于解释胸部X射线的算法是通过示例学习的。为了训练算法，科学家给已经被诊断出患有疾病或肺部疾病的人提供许多不同的胸部X射线。然后，该算法将学会在图像中识别疾病的特征，例如，感染细菌性的肺通常显示出不透明性降低的斑块。一旦算法经历了该学习曲线，就可以匹配来自未诊断患者的x射线，该患者具有相同的问题，而无需用户进行任何输入。

该方法已被证明对患有或气胸(空气从肺漏出)的人有效。但是，成功的原因是对存储在在线存储库中的数千个经过预先诊断的X射线图像进行了算法训练。但是，对于阳性患者，只有几百个X射线可公开获得。这使得很难以任何程度的鲁棒性来训练算法。

蒙特利尔大学的约瑟夫·保罗·科恩(Joseph Paul Cohen)将这些 x射线中的许多放置在一个储存库中。科恩协助开发了一种名为Chester的AI工具，该工具于去年上线，可以区分不同的肺部疾病，例如或肺疝。当命中时，他想增援切斯特，但由于医院不想共享其数据而迅速碰壁。他说：“获取图像只是一场噩梦。”

相反，科恩和他的同事们转向了期刊。他说：“整个医院落后于公开数据的一种途径是在纸上写一个数字。”通过从出版物上刮擦患者的X射线图像，并收集包括欧洲放射学会在内的团体提供的图像，该团队已经收集了226幅患者的图像以及相关的临床数据。

大约一个月前，科恩(Cohen)在arXiv预印服务器上发布了带有初始数据集的论文，该论文已经被开发X射线筛查AI算法的小组引用了近40次。其中一个小组包括巴西巴拉那天主教大学的Rodolfo Pereira。Pereira通常会开发用于对音乐进行分类的AI算法，但是当命中时，他将手转向研究x射线。他和他的同事们进行了5000多次“实验”，以测试多种不同的AI X射线检查方法。他说：“我们几乎全力以赴解决了这个问题。”

他们的结果表明，他们的算法可以区分不同类型的，包括由引起的。但是来自巴西马林加州立大学的团队成员卢卡斯·特谢拉(Lucas Teixeira)提供了警告。“ [算法]并不完美，”他说。“它们可以与[Cohen's]数据集一起使用，但是我们不知道它们如何与其他数据集一起使用。”

胸部X射线算法的适用性和可靠性问题是所有接受此故事采访的研究人员都强调的问题。AI算法解释X射线扫描的方式可能取决于用于拍摄图像的机器，无论是躺着的人还是站着的人，或者是拍摄X射线的医院。麻省理工学院的阿利斯泰尔·约翰逊(Alistair Johnson)说：“各种各样的偏见都会使您绊倒，”他帮助建立了MIMIC-CXR，该在线存储库包含近40万张(非)X射线图像。