研究人員正在開發一項有著人工智慧輔助的 app，以偵測球場上發生的腦震盪情況，這個時間點剛好配合秋季展開的球季。
儘管最近此事已成為媒體討論焦點，足球員並非唯一會發生腦震盪的族群，女足是每名球員發生腦震盪最高比例的對象。籃球、摔角、排球、長曲棍球（又名袋棍球），幾乎每種運動的運動員都有可能發生腦損傷的情況。
光是在美國就有4500萬名兒童運動人口，其中每年有一百萬到兩百萬人出現腦震盪的情況。多項對職業和業餘足球進行的廣泛公開研究，認為多次發生腦震盪的情況，是造成「慢性創傷性腦病變」（CTE）這種退化性神經疾病的原因。腦損傷也會產生認知方面的問題，甚至有時候會造成死亡。
華盛頓大學五年級博士生 Alex Mariakakis 說就算有著這些危害，出了醫院也找不到其它診斷腦震盪的萬全辦法。
因此 Mariakakis 自己動手發明。他跟由華盛頓大學研究人員及醫師組成的團隊合作，使用 GPU 加速深度學習技術開發一項 app，搭配智慧型手機上的鏡頭和 3D 列印盒，便能偵測腦震盪和其它創傷性腦損傷情況。
「國高中的球隊很少有受過訓練的醫師能在一旁協助，通常是志工父母或教練要決定怎麼做。檢測內容很主觀，還很容易就出現失誤。」他說。
眼見為憑
發生腦震盪時，腦部在顱骨內受到撞擊，會對控制眼睛對光線有所反應的區域造成損傷，而這個稱為「PupilScreen」的 app 會評估瞳孔對光線的反應，效果跟醫院使用的昂貴瞳孔儀一樣優秀。
PupilScreen 使用智慧型手機的閃光燈來刺激患者的眼睛，並使用手機上的鏡頭來錄製三秒鐘的短片。研究團隊在開發過程中訓練一套神經網路，以判斷各影幀裡的哪些像素是屬於瞳孔，並且測量那些影幀裡瞳孔尺寸的變化情況。
在一項對42名有出現及未出現創傷性腦損傷之患者所進行的先導性研究裡，這款 app 追蹤瞳孔尺寸變化的情形，效果跟使用瞳孔儀一樣優秀。在六名患者身上測試時，醫師只是使用 app 提出的判斷數據，便在準確度方面獲得幾乎完美的診斷結果。
研究團隊利用 CUDA 平行運算平台、GeForce GTX TITAN X GPU 與 cuDNN 搭配 Python TensorFlow 深度學習架構，加快訓練速度；還使用 TITAN X 來部署神經網路，進行稱為推論的作業（請見《「深度學習訓練」與「推論」之間有什麼差別？What’s the Difference Between Deep Learning Training and Inference?》一文）。
缺乏現有工具
查看眼睛一直以來都是快速評估腦損傷的辦法，專業醫療人員與其他負責檢測腦震盪的人員，通常使用特殊的筆燈來查看人們雙眼對於光線的反應情況。
研究人員表示筆燈檢測法並非一種標準化的辦法，還是需要有一定的技巧，因此每個進行檢測的人若有著不同的專業能力，結果就會有所出入。
Mariakakis 說若是患者處於昏迷狀態，其它常見的腦震盪檢測工具便派不上用場，必須搭配球季開始時進行基本體檢項目。不是所有孩子都有進行基本體檢，有些人還懷疑其可信度。
儘管足球已成為媒體討論焦點，不過女足卻有著每名球員發生腦震盪的最高比例。
在球場上實際應用 PupilScreen
PupilScreen 的原始設計需要使用者將智慧型手機插入一個特殊紙盒，研究團隊才能控制手機和球員臉孔間的距離，以及照入眼睛的光量。
此舉會獲得更精準的瞳孔測量結果，紙盒卻讓裝置難以操作，尤其是在失去意識的人們身上，因此團隊人員捨棄了這款設計。新的設計雖然精準度會略為降低，但由於採取量化結果而非主觀判斷，會比筆燈檢測結果更好。
「我們不想讓家長有更多負擔，而是將負擔轉到手機上。」Mariakakis 說。
今年秋季將展開更大規模的臨床研究，讓醫師和急救醫技人員使用 PupilScreen 來收集更多資料，以瞭解哪些方面的瞳孔反應最有助於判斷多種造成腦震盪的不明原因。
研究團隊期望兩年內 PupilScreen 能真正上市。