利用深度學(xué)習(xí)來幫助眼科醫(yī)生和驗(yàn)光師進(jìn)一步檢測眼部圖像的新方法

青光眼是世界上導(dǎo)致失明的第二大原因。僅在美國，這一病癥就影響了約270萬人。它是一種復(fù)雜的疾病，如果不及時(shí)治療可能導(dǎo)致失明。這在澳大利亞也是個(gè)特別嚴(yán)重的問題，其中只有50％的人被確診為青光眼并接受相應(yīng)的治療。

目前，IBM和紐約大學(xué)科學(xué)家團(tuán)隊(duì)正在研究，可以利用深度學(xué)習(xí)來幫助眼科醫(yī)生和驗(yàn)光師進(jìn)一步檢測眼部圖像的新方法，這一方法也可有助于加快在圖像中檢測青光眼的過程。

在最近的一篇論文中，研究人員詳細(xì)介紹了一種新的深度學(xué)習(xí)框架，該框架直接從原始光學(xué)相干斷層掃描（OCT）成像中檢測青光眼，這種方法利用的是光波拍攝視網(wǎng)膜的橫截面圖像。該方法達(dá)到了94％的準(zhǔn)確率，且無需對數(shù)據(jù)進(jìn)行任何額外的分割或清理——通常在傳統(tǒng)的方法中這一步驟通常非常耗時(shí)。

青光眼（頂行）和健康眼（底行）中網(wǎng)絡(luò)檢測區(qū)域的可視化

現(xiàn)在，人們使用各種測試方法來診斷青光眼，例如眼壓測量和視野測試、眼底和OCT成像。但OCT提供了一種有效的方法來可視化和量化眼睛中的結(jié)構(gòu)，即視網(wǎng)膜神經(jīng)纖維層（RNFL），它隨著疾病的進(jìn)展而變化。

雖然這種方法效果良好，但它需要額外的過程來量化OCT圖像中的視網(wǎng)膜神經(jīng)纖維層。這些技術(shù)通常需要配合各種方式來對輸入數(shù)據(jù)進(jìn)行處理，例如將所有眼睛圖片翻轉(zhuǎn)到相同的方向（左或右）以減少數(shù)據(jù)的可變性，從而改善分類器的性能。而研究人員新提出的方法消除了這些額外的步驟，保留了檢測中最重要的部分。

在624名受試者（217名健康受試者和432名青光眼患者）中，研究人員建立了利用深度學(xué)習(xí)進(jìn)行檢測的新方法，準(zhǔn)確地檢測出了94％的青光眼患者，而之前提到的技術(shù)僅發(fā)現(xiàn)了86%的患者。研究人員表示準(zhǔn)確性的提升是由于對圖像中結(jié)構(gòu)自動分割錯誤的消除，以及新方法包含了目前臨床上尚未使用的眼底特征進(jìn)行了分類。

此外，與目前使用更大更深層網(wǎng)絡(luò)的人工智能研究趨勢相反，研究人員使用的網(wǎng)絡(luò)是一個(gè)小型的5層網(wǎng)絡(luò)，這主要是由于醫(yī)療數(shù)據(jù)由于其隱私性不易獲取。這種數(shù)據(jù)稀缺使得大型網(wǎng)絡(luò)的使用在許多醫(yī)療應(yīng)用中不切實(shí)際。即使在研究中有時(shí)也會看到“越少越佳”的特點(diǎn)，此外，在較小的網(wǎng)絡(luò)上訓(xùn)練這些算法可以讓它們更高效地運(yùn)行。

數(shù)據(jù)被輸入如下圖所示的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。網(wǎng)絡(luò)由5個(gè)3D卷積層組成，并使用ReLU激活和批量歸一化，濾波器組大小為32-32-32-32-32，濾波器尺寸為7-5-3-3-3，步幅為2-1-1-1-1。在最后的卷積層之后采用全局平均合并，并利用全連接的softmax輸出層以實(shí)現(xiàn)類標(biāo)簽的預(yù)測和類激活圖（CAM）的計(jì)算。網(wǎng)絡(luò)架構(gòu)的一個(gè)重要方面是選擇3D卷積以允許計(jì)算3D類激活圖。卷積神經(jīng)網(wǎng)絡(luò)的5個(gè)輸入層沿第一維度（例如，顏色通道）聚合輸入數(shù)據(jù)。在2D卷積的情況下，所得到的類激活圖將是2D的，且深度信息丟失。因此通過采用3D卷積，這使我們能夠識別光學(xué)相干斷層掃描體積內(nèi)對疾病分類很重要的區(qū)域。

通過隨機(jī)超參數(shù)探索優(yōu)化了網(wǎng)絡(luò)體系結(jié)構(gòu)的各個(gè)方面，例如層數(shù)、每層濾波器組數(shù)、濾波器大小、步幅和批量歸一化的使用；類似于為基于特征的方法執(zhí)行的超參數(shù)優(yōu)化。網(wǎng)絡(luò)實(shí)現(xiàn)的曲線下面積用于選擇最佳網(wǎng)絡(luò)。研究人員從網(wǎng)絡(luò)架構(gòu)搜索中排除了最大池化，因?yàn)樗梢员籹tride卷積取代。

卷積神經(jīng)網(wǎng)絡(luò)在Keras中實(shí)現(xiàn)，Tensorflow作為后端。使用nut-flow/ml進(jìn)行數(shù)據(jù)分離、分層和預(yù)處理。通過降采樣，每個(gè)階段對數(shù)據(jù)進(jìn)行分層。通過隨機(jī)遮擋、平移、左右眼翻轉(zhuǎn)、沿著表面軸的小旋轉(zhuǎn)（±10度）和混合來增強(qiáng)訓(xùn)練數(shù)據(jù)。同時(shí)研究人員還在沒有任何擴(kuò)充的情況下訓(xùn)練了網(wǎng)絡(luò)，并報(bào)告了相應(yīng)的曲線下面積。在訓(xùn)練期間具有最高準(zhǔn)確度的曲線下面積的網(wǎng)絡(luò)被保存。

這只是IBM目前研究應(yīng)用人工智能的一個(gè)方面。在最近宣布的新合作中，IBM Research和George＆Matilda (G＆M) 將利用G＆M強(qiáng)大的匿名臨床數(shù)據(jù)和成像研究數(shù)據(jù)集,來探索使用深度學(xué)習(xí)模型和成像分析的方法，以支持臨床醫(yī)生在圖像中識別和檢測眼部疾病——包括青光眼。研究人員還將研究青光眼的潛在生物標(biāo)志物，這有助于更好地了解疾病進(jìn)展。