深度学习的方法有助于眼疾诊断
DeepMind公司的AI工具能够快速准确地分析OCT视网膜扫描结果
英国人工智能公司DeepMind与伦敦Moorfields眼科医院首次公布了他们进行合作的一项研究:人工智能用于视网膜疾病诊断和转诊的调查结果。在将新型的深度学习架构用于分析在医院接受治疗的患者的OCT扫描结果后,研究小组发现,人工智能平台在推荐患者转诊方面的表现达到或超过了一系列视网膜疾病方面的专家。该研究结果发表在了《自然医学》杂志上。
DeepMind团队在公布这一发现时表示:“这项研究的结果表明,我们的人工智能系统能够以前所未有的准确率快速地解读出常规临床实践中的眼部扫描结果。将它在50多种威胁视力的眼疾上进行的实验表明,它可以像具有世界一流水平的专家医生一样,正确地推荐病人该如何被转诊治疗。”
如果研究人员能证明该系统能够正确诊断出在常规临床实践中发现的各种患者,那么在长期内,它可以帮助医生对于哪种患者需要紧急治疗快速地做出优先选择,最终帮助挽救患者的视力。
图1 将人工智能应用于OCT扫描分析可能会改变视力威胁性眼疾的系统管理。在此致谢提供图片的Moorfields眼科医院和人工智能公司DeepMind
一段时间以来,人工智能一直是分析医学图像很有希望的一个解决方案,但把它应用在现实世界临床场景一直是一个具有挑战性的难题。DeepMind团队在其论文中指出,人工智能系统必须接受来自一个权威数据集的数十万个示例的培训,然后把它推广到新的人群和设备,在这过程中不能有性能上的重大损失或过高的数据要求。
除此之外,人工智能工具需要适用于现实世界的扫描并专为临床部署而设计,同时在这种真实世界情况下的表现能够媲美或超过人类专家。最近在应用于OCT的研究显示出了人工智能在单独达到这些标准中的一些方面的希望,但人工智能直到现在才有可能通过解决这三个方面的问题显示出临床适用性。
临床诊断的把握
DeepMind的解决方案结合了两种不同的神经网络。第一个称为分割网络,它用来分析OCT扫描结果以提供不同类型眼组织的特征图和它所分析到的疾病特征,如出血、病变、出现反常液体或其他眼部疾病的症状,该公司称其为“允许眼部护理专业人员深入了解系统思维”的过程。
第二个网络被称为分类网络,它用来分析这张特征图,然后向临床医生提供诊断和转诊建议。至关重要的一点是,该网络以百分比的形式表达了这一建议,临床医生便能够清楚系统对其自身分析的正确率有几分把握。
DeepMind团队表示:“这项功能至关重要,因为眼科专家在决定病人接受何种护理和治疗方案中总是起着关键作用,让临床医生能够仔细审查这项技术的建议,是系统在实践中可用的关键。”
在Moorfields使用OCT平台进行的初步测试表明,经过适当的培训后,转诊决策的错误率达到了5.5%,而对程序的后续修改以及切换到不同的商业OCT系统,能够将该错误率降低到3.4%。
该研究团队指出:“我们的技术可以没有太大障碍地应用于不同类型的眼睛扫描仪,而不仅仅是它在Moorfields上训练的特定类型设备,这看起来似乎无关紧要,但这意味着这项技术可以相对容易地在世界范围内应用,大量患者将有可能受益于这项应用。”
原文链接
本文受译者委托,享有该文的专有出版权,其他出版单位或网站如需转载,请与本站联系,联系email:mail#opticsjournal.net。否则,本站将保留进一步采取法律手段的权利。