尽管2020年全球爆发了COVID-19，但结核病(TB)仍然影响着1000万人，并每年导致140万人死亡，成为仅次于COVID-19的第二大致命传染病。TB主要影响呼吸系统，由结核分枝杆菌引起，通过打喷嚏、严重的咳嗽或其他传播传染性细菌的方式传播。因此，TB通常通过呼吸道在肺部发生。免疫力低下的个体，包括那些患有HIV和在发展中国家营养不良的人，加剧了这一问题。
在没有适当治疗的情况下，TB患者的死亡率仍然极高。然而，TB的早期诊断可以显著提高恢复率，通过给予相应的抗生素治疗。由于TB传播迅速，早期诊断在控制感染传播中也起着关键作用。多药耐药TB的出现强调了及时准确诊断方法的紧迫需求，以监控临床治疗的进展。然而，TB诊断仍然是一个重大挑战。具体来说，TB诊断的黄金标准包括对痰液样本和细菌培养的显微镜检查，以识别结核分枝杆菌。为确保检查过程的安全，培养结核分枝杆菌需要生物安全级别-3（BSL-3）实验室。这个程序通常需要几个月的时间。此外，许多发展中国家和资源受限社区的医院缺乏建立BSL-3设施的必要基础设施。
另一方面，X光成像是目前医学影像检查中最普遍和数据密集的筛查方法。胸部X光(CXR)能迅速检测出由肺结核引起的肺部异常，使其成为TB筛查的广泛使用工具。世界卫生组织也推荐CXR作为TB筛查的初始步骤。通过CXR进行早期诊断显著有助于早期发现TB、治疗和预防疾病的传播。然而，即使是经验丰富的放射科医生也可能无法在CXR图像中识别TB感染，因为人眼难以辨识CXR图像中的TB区域，这是由于其对许多细节的敏感度有限。我们的人类研究表明，与黄金标准相比，顶级医院的经验丰富的放射科医生的准确率仅为68.7%。
由于深度学习在各个领域，如人脸识别、图像分类、物体识别等的杰出表示学习能力，深度学习已经超越了人类。
在边缘检测、物体检测以及医学影像分析等领域，深度学习已经展现了其卓越的性能。因此，可以合理预期将深度学习的强大潜力应用于使用胸部X光片(CXR)进行的结核病(TB)诊断。深度学习可以自动定位确切的TB感染部位，全天候工作，不像人类会感到疲劳。然而，深度学习依赖于大量的训练数据，现有的TB数据集无法提供，如表I所示。由于收集大规模TB CXR数据的高成本和隐私考虑，现有的TB数据集只有几百张CXR图像。公开可用的CXR数据的稀缺限制了深度学习在改善计算机辅助结核病诊断（CTD）性能方面的成功应用。
为了在全球范围内部署CTD系统以协助TB患者，首先需要解决数据不足的问题。在本文中，我们通过与主要医院的长期合作，为社区贡献了一个大规模的结核病X光(TBX11K)数据集。这个新的TBX11K数据集在几个方面超越了以前的CTD数据集：i) 与之前只包含几十或几百张CXR图像的公共数据集不同，TBX11K包含11,200张CXR图像，约比现有最大的数据集，即深圳数据集大17倍，使得训练深度网络成为可能；ii) 与先前数据集中的图像级标注不同，TBX11K采用了TB感染区域的边界框标注，允许未来的CTD方法识别TB表现并检测TB区域，以协助放射科医生进行明确诊断；iii) TBX11K包含四个类别：健康、生病但非TB、活动性TB和潜在性TB，与先前数据集的二元分类（即TB或非TB）相对，使得未来的CTD系统能够适应更复杂的现实世界场景，并为人们提供更详细的疾病分析。TBX11K数据集中的每张CXR图像都使用TB诊断的黄金标准（即诊断微生物学）进行测试，并由主要医院的经验丰富的放射科医生标注。TBX11K数据集已由数据提供者去标识，并由相关机构免除，使其能够公开可用，以促进未来的CTD研究。
基于我们的TBX11K数据集，我们提出了一个简单而有效的CTD框架，称为SymFormer。受CXR图像中固有的双边对称性属性的启发，SymFormer利用这一属性来增强CXR图像的解释。双边对称性属性指的是胸部左右两侧的相似性或相同外观，表示一种对称模式。这一属性在改进CXR图像的解释中非常有价值。例如，如果胸部的一侧存在肿块或固体，而另一侧则没有，这可能表明那个区域存在问题。为了解决这一属性，SymFormer加入了新颖的对称搜索注意力(SymAttention)，用于从CXR图像中学习具有区分性的特征。
我们建立了一个大规模的计算机辅助结核病诊断（CTD）数据集，TBX11K，它比以往的TB数据集更大、标注更好、更贴近现实，使得深度神经网络能够同时进行多类别的胸部X光图像（CXR）分类和TB感染区域检测，而不仅仅是以往TB数据集中的二元CXR分类。
我们提出了一种简单而有效的CTD框架，称为SymFormer，它包含了新颖的对称搜索注意力（SymAttention）和对称位置编码（SPE），以利用CXR图像的双边对称性属性，显著改善CTD性能，超越基线模型。
我们在TBX11K数据集上构建了一个CTD基准，通过引入评估指标，评估从现有物体检测器改进而来的几个基线模型，并举办在线挑战赛，这预期为未来的研究设定了一个良好的开端。