在医学成像中应用机器学习 (ML),为改善胸部 X 光 (CXR) 图像解读的可用性、延迟时间、准确率和一致性提供了绝佳的机会。事实上,我们已经开发了大量的算法来检测如肺癌、肺结核和气胸等特定疾病。然而,由于这些算法是被训练用于检测特定疾病,其在普遍临床环境下的实用性可能会受到限制,因为这种环境下可能会出现各种各样的异常情况。例如,我们无法通过气胸检测算法发现癌症结节,而肺结核检测算法可能也无法识别肺炎特有的症状。由于初始分诊步骤是确定 CXR 是否包含相关的异常,如果能使用一种通用算法,以识别包含任何异常情况的 X 光图像,即可大大简化工作流。然而,由于在 CXR 上出现的异常情况种类繁多,开发能识别所有异常情况的分类算法可谓充满挑战。