用于诊断视网膜病变 谷歌研发AI眼科医生

越来越多的糖尿病患者因视网膜病变而致盲，全世界大约有4.15亿的糖尿病患者正面临这一威胁。如果能有效捕捉到视网膜病变的征兆特征，病人是可以通过早期治疗而避免失明

越来越多的糖尿病患者因视网膜病变而致盲，全世界大约有4.15亿的糖尿病患者正面临这一威胁。如果能有效捕捉到视网膜病变的征兆特征，病人是可以通过早期治疗而避免失明。但倘若未能对其作出及时的诊断，错过治疗最佳时机，糖尿病引起的失明将是无法医治的。

但可惜的是，能够诊断出这一病变的专业医生数量也是非常有限的，并不是每位糖尿病患者都能得到专家的及时治疗。为此，谷歌公司相信通过机器学习方法能够帮助医生为病人做出诊断，尤其是那些没有条件接收专业医治的糖尿病患者群体。

若干年前，谷歌研究人员就已开始考虑使用谷歌科技来增强糖尿病视网膜病变的检测过程，并将目光投向当时兴起的由机器学习算法支撑起的计算机视觉技术上。近日，谷歌在《美国医学会杂志》发表题为 “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic RetinoPathy in Retinal Fundus Photographs”的论文，正是谷歌研究人员提出的一种基于深度学习的算法，该算法能够在视网膜造影中对糖尿病视网膜病变的迹象做出解释，帮助医生克服资源短缺资困难，为更多的病人做出更专业的诊断。

通常，糖尿病人眼部检查过程是由医院专家分析病人的眼底造影图像，并对患病与否以及严重程度做出评估。其中，患病严重程度的评估是通过检查眼底病变（如下图）的形式来判定的，比如微动脉瘤、眼底出血、硬性渗出等，主要参考出血、液体渗出等病况。能对影相中的信息做出解释，需要很高的专业功底和临床经验。如果要为世界各地每位有失明危险的糖尿病患者做出诊断，医生的数量是远远不够的。

糖尿病视网膜病变患者视网膜基底造影示例。左侧图片采自眼部正常的糖尿病患者（A）；右侧图片采自患有视网膜病变的糖尿病患者（B），图中显示出该病人眼底有出血现象（一些小红点）。图片来自      Google Research Blog

通过与美国及印度医生的密切接触，谷歌研究人员建立了一个有12.8万幅图片组成的数据集，每张图片都记录了 3-7 名眼科医师的评估结果。与该团队合作的眼科医师一共54名。这一数据集被用来训练深度神经网络从而检测可参考的糖尿病视网膜病变图片。

为检验算法的性能，该团队使用两个独立的临床验证数据集共包括 1.2 万幅图片进行测试。每幅测试图片都进行标记审核。评审专家组由7-8名通过职业资格考核的美国眼科专家组成，通过多数投票通过的方式进行判决。同时保证结果与训练集所参考的 54名眼科医师团开出的诊断结果一致。算法生成的检测结果与眼科专家诊断结果参见下图，共对比了9,963幅临床有效集合内的图片。

黑色曲线表示算法性能，彩色点表示八位眼科专家对糖尿病视网膜病变（轻度或重度糖尿病视网膜病变，或由糖尿病引起的视网膜黄斑水肿）的临床诊断结果。实验数据为9,963幅有效图集。图中黑色菱形为外科手术操作点，其对应于算法在高敏感性和高特异性下的操作点。

结果表明，谷歌的算法诊断性能可以与眼科专家诊断结果相媲美。比如上图描述的有效集合，算法获得0.95的F分数（结合敏感性和特异性指标，取max = 1），相比八位眼科专家的中位数0.91分，该算法略胜一筹。图片来自Google Research Blog

这些结果诚然令人激动不已，但是仍有大量工作需要完善。

首先，尽管谷歌传统的算法质量评估系统很全面，但是与视网膜专家交流后发现，在定义质量性能方面，还需要更严格的参考标准。

其次，谷歌在论文中对2D眼底造影技术的解释仅仅是糖尿病视网膜病变诊断中众多步骤的一部分。

在某些情况下，医生使用的3D图像技术，即光学相干断层扫描（OCT），能够更为详细地对不同切片上的眼部细节进行检查。谷歌DeepMind的研究人员已经开始将机器学习应用于这些3D图像模式。不久的将来，这两种互补理论可能会共同援助医生分析眼部疾病的宽频谱。

针对糖尿病视网膜病变的自适应高精度理论还有着很大潜力，不仅能够帮助医生评估更多的病人，而且能为需要专家诊断的人群提供快速通道。

未来，Google将联手医生和科学家将该方法的整个过程推广至全球。为保证利益最大化，谷歌将完善该研究理论并应用于临床工作流系统。目前，谷歌正与FDA及其他监管部门合作，进一步为临床研究进行评估。由于近期深度学习进展迅猛，谷歌也期待能够研究出更加令人振奋的成果。这同时也更好的证明机器学习在解决医疗图像处理方面表现的非常出色。