美国国立卫生研究院（NIH）最近发布了一个庞大的胸部X光数据库，现已公开近10600张CT扫描图像，以支持医疗人工智能算法的开发和测试。这个大型成像数据库被称为DeepLesion，是由美国国立卫生研究院的Ronald Summers及其同事创建的。他们对其机构里的放射科医生的CT扫描结果进行了临床相关的标注。
Summers是NIH影像生物标记和计算机辅助诊断实验室的高级研究员和放射学家。
根据美国国立卫生研究院的说法，这些标注通常很复杂，包括描述病变大小和位置的箭头、线条、分割和文本，以便让临床医生可以监测疾病变化。标注医学图像需要广泛的临床经验，并且会耗费大量时间。
实际上，缺乏可用于训练AI算法的大型医学图像数据库一直被认为是AI技术寻求突破的主要障碍之一。Summers及其同事的努力就是为了改变这种状况，至少在X光方面 。去年他们发布了ChestX-ray8数据库，库中包含了100000张X光图像。
DeepLesion通过提供足够强大的CT扫描数据库和附带的标注来训练深度神经网络，从而帮助绕过这些障碍。美国国立卫生研究院建议，有朝一日可以“使科学界能够创建一个具有统一框架的大规模通用病变检测器”。
该数据库包括来自马里兰州贝塞斯达NIH临床中心的4400多名患者的大约10600项研究。虽然目前大多数数据库包含10至数百个单一类型的病变，但该组设计的DeepLesion可容纳超过32000个病灶，涵盖各种放射学发现，如肺结节、淋巴结肿大和肝肿瘤。
有了多范畴的病变数据库，DeepLesion为研究人员提供了开发人工智能算法的机会，能够自动检测和诊断多种病变类型。美国国立卫生研究院指出，未来它还可能发展成为一个通用病变检测器，可用作初始筛选工具，并将其结果发送到其他更专业的算法。此外，研究人员可能可以在同一次CT扫描中研究不同类型病变之间的关系，从而全面评估癌症负担。
为了开始展示这种潜力，Summers及其同事用DeepLesion数据库来训练一个典型的通用病变检测器，以发现各种病变。他们的探测器灵敏度达到81.1％，每个图像有5个假阳性。
研究人员计划继续向DeepLesion添加图像，以提高检测器的准确性，他们希望将MRI扫描包含在数据库中，并结合未来多家医院的数据。该研究小组认为，除了病变检测外，该数据库还可以帮助训练算法对病变进行分类，并根据现有模式预测病变的发展。
