素材來源 | google research blog

編譯|Aileen 魏子敏

糖尿病性視網(wǎng)膜病變(Diabeticretinopathy，下稱DR)是增長最快的導(dǎo)致失明的原因，全世界有近4.15億糖尿病患者處于這種危險之中。如果早期發(fā)現(xiàn)，可以治療該疾病; 如果沒有及時發(fā)現(xiàn)，它可能導(dǎo)致不可逆的失明。不幸的是，在世界上糖尿病非常普遍的許多地方?jīng)]有能夠檢測該疾病的醫(yī)學(xué)專家。

在北京時間11月30日凌晨，谷歌團(tuán)隊在其blog上宣布，在美國醫(yī)學(xué)協(xié)會雜志(JAMA)剛剛發(fā)表的一篇論文中，他們提出了一種能夠解釋視網(wǎng)膜照片中的DR跡象的深度學(xué)習(xí)算法，潛在地幫助醫(yī)生在資源有限的情況下篩選更多的患者。

谷歌團(tuán)隊相關(guān)負(fù)責(zé)人稱，他們希望通過機(jī)器學(xué)習(xí)，更好的幫助醫(yī)生識別有這樣需要的患者，特別是弱勢人群。

以下為谷歌相關(guān)團(tuán)隊負(fù)責(zé)人關(guān)于該研究的介紹：

幾年前，我們幾個人開始思考是否有一種Google技術(shù)可以改善DR篩選過程的方法，特別是利用機(jī)器學(xué)習(xí)和計算機(jī)視覺方面的***進(jìn)展。在今天發(fā)表在美國醫(yī)學(xué)協(xié)會雜志(JAMA)的文章“用于檢測視網(wǎng)膜眼底照片中的糖尿病性視網(wǎng)膜病變的深度學(xué)習(xí)算法的開發(fā)和驗證( Developmentand Validation of a Deep Learning Algorithm for Detection of DiabeticRetinopathy in Retinal Fundus Photographs)中，我們提出了一種能夠解釋視網(wǎng)膜照片中的DR跡象的深度學(xué)習(xí)算法，潛在地幫助醫(yī)生在資源有限的情況下篩選更多的患者。

檢測糖尿病性眼病的最常見方法之一是讓?？漆t(yī)生檢查眼后部的照片(圖1)，并對疾病存在和嚴(yán)重程度進(jìn)行評估。嚴(yán)重性由存在的損傷的類型(例如，微動脈瘤，出血，硬滲出物等)確定，其意味著眼睛中的出血和流體泄漏。解釋這些照片需要專門的培訓(xùn)，在世界上許多地區(qū)沒有足夠的合格分級師來篩選出每個有此疾病風(fēng)險的患者。

圖1：用于篩選DR的視網(wǎng)膜眼底照片的示例。左側(cè)的圖像是健康的視網(wǎng)膜(A)，而右側(cè)的圖像是具有可引起的糖尿病性視網(wǎng)膜病變(B)的視網(wǎng)膜，因為存在許多出血(紅斑)。

我們與印度和美國的醫(yī)生密切合作，創(chuàng)建了一個128,000張圖像的開發(fā)數(shù)據(jù)集，每個由來自54名眼科醫(yī)生團(tuán)隊中的3-7名眼科醫(yī)生進(jìn)行評估。該數(shù)據(jù)集用于訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)以檢測可引起的糖尿病視網(wǎng)膜病變。然后，我們在兩個獨立的臨床驗證集上測試算法的性能，總共約12,000個圖像，以7或8個擁有美國專業(yè)委員會認(rèn)證的眼科醫(yī)生中的大多數(shù)意見作為參考標(biāo)準(zhǔn)。選擇用于驗證集的眼科醫(yī)生是從原來的54名醫(yī)生中正確率教高的眼科醫(yī)生。

在圖2中示出了算法和眼科醫(yī)生在9,963圖像驗證集上的性能。

圖2.在由9963個圖像組成的驗證集上，存在可引起的糖尿病性視網(wǎng)膜病變(中度或更差的糖尿病性視網(wǎng)膜病變或可疑的糖尿病性黃斑水腫)的算法(黑色曲線)和八個眼科醫(yī)師(彩色圓點)的性能。圖上的黑色菱形對應(yīng)于在高靈敏度和高特異性操作點中，算法的靈敏度和特異性。

結(jié)果表明，我們的算法的性能與眼科醫(yī)生的性能一致。例如，在圖2中描述的驗證集上，算法具有0.95的F-Score(綜合靈敏度和特異性的度量，***值為1)，算法性能略高于我們所咨詢的8個眼科醫(yī)生的F-Score中值(0.91)。

這些都是令人興奮的結(jié)果，但仍有很多工作要做。首先，雖然用于評估我們的算法的常規(guī)質(zhì)量度量結(jié)果是鼓舞人心的，我們正在與視網(wǎng)膜專家合作，以定義甚至更強(qiáng)大的參考標(biāo)準(zhǔn)，可用于量化性能。此外，我們在本文中證明的2D眼底照片的解釋只是導(dǎo)致糖尿病眼病診斷的多步驟過程的一部分。在某些情況下，醫(yī)生需要使用3D成像技術(shù)，光學(xué)相干斷層掃描(OCT)，詳細(xì)檢查視網(wǎng)膜的各個層。將機(jī)器學(xué)習(xí)應(yīng)用于這種3D成像模式已經(jīng)在DeepMind的同事的領(lǐng)導(dǎo)下進(jìn)行。在將來，這兩種補充方法可以一起使用，以幫助醫(yī)生診斷更多的眼科疾病。

具有高精度的自動DR篩選方法有很大的潛力，以幫助醫(yī)生評估更多的患者，并且快速地將需要特殊幫助的人發(fā)送給專家。我們正在與醫(yī)生和研究人員一起研究世界各地的篩查過程，希望我們能夠以最有利的方式將我們的方法整合到臨床工作流程中。***，我們正與食品藥品監(jiān)督管理局(FDA)和其他監(jiān)管機(jī)構(gòu)合作，在臨床研究中進(jìn)一步評估這些技術(shù)。

考慮到深度學(xué)習(xí)的許多***進(jìn)展，我們希望我們的研究只是眾多引人注目的例子之一，證明機(jī)器學(xué)習(xí)能夠更廣泛地幫助解決醫(yī)療成像在醫(yī)療保健中的重要問題。

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號“大數(shù)據(jù)文摘( id: BigDataDigest)”】