素材來源 | google research blog

編譯|Aileen 魏子敏

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

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

谷歌團隊相關負責人稱，他們希望通過機器學習，更好的幫助醫生識別有這樣需要的患者，特別是弱勢人群。

以下為谷歌相關團隊負責人關于該研究的介紹：

幾年前，我們幾個人開始思考是否有一種Google技術可以改善DR篩選過程的方法，特別是利用機器學習和計算機視覺方面的***進展。在今天發表在美國醫學協會雜志(JAMA)的文章“用于檢測視網膜眼底照片中的糖尿病性視網膜病變的深度學習算法的開發和驗證( 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膜照片中的DR跡象的深度學習算法，潛在地幫助醫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生檢查眼后部的照片(圖1)，并對疾病存在和嚴重程度進行評估。嚴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，在世界上許多地區沒有足夠的合格分級師來篩選出每個有此疾病風險的患者。

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

我們與印度和美國的醫生密切合作，創建了一個128,000張圖像的開發數據集，每個由來自54名眼科醫生團隊中的3-7名眼科醫生進行評估。該數據集用于訓練深層神經網絡以檢測可引起的糖尿病視網膜病變。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個擁有美國專業委員會認證的眼科醫生中的大多數意見作為參考標準。選擇用于驗證集的眼科醫生是從原來的54名醫生中正確率教高的眼科醫生。

在圖2中示出了算法和眼科醫生在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膜病變(中度或更差的糖尿病性視網膜病變或可疑的糖尿病性黃斑水腫)的算法(黑色曲線)和八個眼科醫師(彩色圓點)的性能。圖上的黑色菱形對應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。

結果表明，我們的算法的性能與眼科醫生的性能一致。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個眼科醫生的F-Score中值(0.91)。

這些都是令人興奮的結果，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質量度量結果是鼓舞人心的，我們正在與視網膜專家合作，以定義甚至更強大的參考標準，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，醫生需要使用3D成像技術，光學相干斷層掃描(OCT)，詳細檢查視網膜的各個層。將機器學習應用于這種3D成像模式已經在DeepMind的同事的領導下進行。在將來，這兩種補充方法可以一起使用，以幫助醫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，以幫助醫生評估更多的患者，并且快速地將需要特殊幫助的人發送給專家。我們正在與醫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督管理局(FDA)和其他監管機構合作，在臨床研究中進一步評估這些技術。

考慮到深度學習的許多***進展，我們希望我們的研究只是眾多引人注目的例子之一，證明機器學習能夠更廣泛地幫助解決醫療成像在醫療保健中的重要問題。

【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘( id: BigDataDigest)”】