Deepmind 发布里程碑成果：直面“黑箱”问题，自动检测 50 余种眼疾特征

会员服务 ·

Deepmind 发布里程碑成果：直面“黑箱”问题，自动检测 50 余种眼疾特征

2018 年 8 月 14 日 AI掘金志

雷锋网《AI掘金志》频道：只做 AI +「安防、医疗、零售」三大传统领域的深度采访报道。

雷锋网AI掘金志消息，Deepmind发布了与伦敦摩尔菲尔兹眼科医院（Moorfields Eye Hospital）合作的第一阶段成果，这可能会改变眼疾的治疗方式与理念。

目前，该研究结果已在《Nature Medicine》上在线发布。

Deepmind团队表示，AI系统能够以前所未有的准确度快速解读常规临床实践中眼球扫描结果，可以准确推荐患有50余种危害视力的眼病患者进行转诊治疗，准确程度可以媲美世界顶级的专家医生。

这些只是早期结果，但表明AI系统可以处理常规临床实践中发现的各种患者。从长远来看，Deepmind希望这将有助于医生快速确定治疗患者的优先级，尽可能地挽救病人的视力。

AI掘金志此前报道过Deepmind在医疗领域的相关成果，特整理以飨读者。

DeepMind AI “攻克”眼底疾病，下一步是放射影像和乳腺 X 光

DeepMind 在医疗领域再下一城，用人工智能预测急性肾损伤

眼科的那些难题

诊断成像的体量和复杂性比人类专业知识增长的速度更快。人工智能在对一些常见疾病的二维照片进行分类方面显示出巨大的潜力，并且通常依赖于数百万个带标注图像的数据库。到目前为止，通过三维诊断扫描在现实临床路径中达到专家临床医生的表现的挑战仍未解决。

在本文中，Deepmind将一种新的深度学习架构应用于一组临床上异质性的三维光学相干断层扫描，这些扫描来自一家大型眼科医院的患者。在仅接受了14884次扫描训练后，研究成果的转诊建议在一系列影响视力的视网膜疾病诊断中达到或超过了专家的表现。

Deepmind提出的 AI 框架：a. 原始视网膜 OCT 扫描（视网膜黄斑周围 6 × 6 × 2.3 mm³） b. 深度分割网络，用手动分割的 OCT 扫描图像进行训练 c. 得到的组织分割图 d. 深度分类网络，使用带有确诊和最佳转诊决定的组织图进行训练 e. 预测的诊断概率和转诊建议。

此外，Deepmind证明了，他们的体系架构产生的组织分割可作为一种独立于设备的表征；当使用来自不同类型设备的组织分割时，能够保持转诊准确性。Deepmind的工作消除了以前在更广泛的临床使用中遇到的障碍，也不需要来自现实环境中多种疾病的庞大训练数据。

目前，眼科专业人员使用光学相干断层扫描（OCT）扫描来帮助诊断眼睛状况，但这些三维图像难以阅读并需要专家解释。

分析这些扫描所需的时间，再加上医疗保健人员需要查看的图像的数量之多（仅摩尔菲尔兹眼科医院每天就有1000张此类图像），使得扫描和治疗之间有很长的间隔期。对于那些需要紧急治疗的人来说。如果这些病人情况突变，比如眼睛后部出血，那么这样的拖延甚至可能导致病人失明。

Deepmind表示，开发的AI系统就是为了解决这一挑战。它不仅可以在几秒钟内自动检测眼部疾病的特征，而且还可以优先推荐需要紧急治疗的病人进行转诊治疗。这种即时的分类过程大大减少扫描和治疗之间的时间，帮助患有糖尿病视网膜病变和年龄相关性黄斑变性的患者避免失明。

从224张OCT 扫描中选择的三个二维切片，其中左图为分割测试集、中间为手动分割、右边为自动分割。

适应性强的技术

Deepmind团队表明，不仅希望这是一个学术上有趣的结果，而且更希望它用于真正的治疗。因此，他们的论文也承担了AI在临床实践中的一个主要障碍：“黑箱”问题。对于大多数AI系统而言，很难准确理解自己提出建议的原因。对于需要了解系统推理的临床医生和患者而言，这是一个巨大的问题。他们既需要知道结果，也需要知道结果从何而来。

Deepmind的系统采用了一种新颖的方法来解决这个问题，这个系统通过在两个不同的神经网络间插入可解释性表征而将它们结合起来。第一个神经网络被称为分割网络，用来分析OCT扫描，以提供不同类型的眼部组织的图谱和观察到的疾病特征，例如出血、病变、不规则的液体或眼疾的其他症状。这类图像可以让眼科医生深入了解系统是如何“思考”的。

第二个网络被称为分类网络，能够分析眼科图像，为临床医生提供诊断和转诊建议。更重要的是，这个分类网络会以百分比的形式表达建议，让临床医生能够了解系统对其分析的信心。