每年，全球都会拍摄近 10 亿张胸部 X 光 (CXR) 图像，以帮助检测和管理从肺部塌陷到传染病的各种健康状况。一般来说，CXR 比其他形式的医学成像更便宜、更容易获得。然而，现有挑战继续阻碍 CXR 的最佳使用。例如，在某些地区，能够准确解读 CXR 图像的训练有素的放射科医生供不应求。此外，专家之间的解释差异、机构之间的工作流程差异以及仅亚专家熟悉的罕见条件的存在都有助于使高质量的 CXR 解释成为挑战。

最近的研究利用机器学习 (ML) 来探索其中一些挑战的潜在解决方案。建立深度学习模型以检测 CXR 中的异常并提高访问、准确性和效率以识别影响心脏和肺部的疾病和状况，人们对此产生了极大的兴趣和努力。然而，构建健壮的 CXR 模型需要大量标记的训练数据集，创建这些数据集可能非常昂贵且耗时。在某些情况下，例如与代表性不足的人群合作或研究罕见的医疗条件，只有有限的数据可用。此外，CXR 图像的质量因人群、地域和机构而异，因此难以建立在全球范围内表现良好的稳健模型。

在放射学杂志上发表的“使用较少数据的胸部放射成像模型的简化迁移学习”中，我们描述了 Google Health 如何利用先进的 ML 方法生成预训练的“CXR 网络”，该网络可以将 CXR 图像转换为嵌入（即信息-丰富的数值向量）以使用更少的数据和更少的计算资源开发 CXR 模型。我们证明，即使使用较少的数据和计算，这种方法也能在各种预测任务中实现与最先进的深度学习模型相媲美的性能。我们也很高兴地宣布 CXR Foundation 的发布，该工具利用我们的 CXR 特定网络使开发人员能够为其 CXR 图像创建自定义嵌入。我们相信这项工作将有助于加速 CXR 模型的开发，帮助疾病检测并促进全世界更公平的医疗保健。

内容中包含的图片若涉及版权问题，请及时与我们联系删除