吴恩达发布了大型X光数据集，斯坦福AI诊断部分超越人类( 三 )_数栗子发自凹非寺量子位报道|公众号Qbi

算法分三步：

一是提取文中提及的信息 (Mention Extraction) ，得出一个列表；

二是为提及的信息做分类 (Mention Classification) ，分成阴、阳、不确定这三类；

三是把提及的信息聚合起来 (Mention Aggregation) ，得出最终结论，标注完成。

团队已经把标注工具开源了：

https://github.com/stanfordmlgroup/chexpert-labeler

人类医师验证一下

数据集要成为合格的Benchmark，测试集给的标准答案就要有说服力。

团队找到8位持证的放射科医师，让他们独立去标注500张胸片的测试集。然后，把5位医师给出的主流答案作为Ground Truth；至于，另外3位医师的答案，后面有其他用途。

这样一来，各路诊断模型都可以在一个相对有效的标准之下接受评估。

对比一下，从前的ChestX-Ray14数据集里，测试集是自动标注，并没有经过人类医师的鉴定。团队认为，CheXpert更加适合做Benchmark。

吴恩达发布了大型X光数据集，斯坦福AI诊断部分超越人类( 三 )