樂見人工智慧:深度學習如何用於檢測眼疾

作者 Jamie Beckett

我的母親在去世前的幾年,眼睛黃斑部退化(又稱老年性黃斑部病變)的毛病讓她的視力開始變差,雙眼中央視野模糊,不得不停止駕車;最早還能使用倍數更高的放大鏡來閱讀,後來也做不到了;最後甚至看不清他人的面孔。


老年性黃斑部病變。

老年性黃斑部病變(AMD)是五十歲以上美國人喪失視力和失明的主要原因。這是一項不治之症。下圖裡有兩個拿著球的小男孩,畫面就像是 AMD 患者視物的情況。

「(AMD)患者痛苦不堪。不管看著哪裡,中心點都是一片模糊。」華盛頓大學眼科學家,也是專攻視網膜問題的助理教授 Dr. Aaron Lee 說。

適合人工智慧

Lee 認為人工智慧能派上用場,不只是協助 AMD 患者,還有因眼疾而喪失視力的人。

他說 GPU 加速深度學習或許能檢測到醫生沒發現出的疾病跡象,或是加快診斷速度,讓醫師能更早展開治療。他已經開發出深度學習演算法,可以發現AMD和損害中央視力的黃斑水腫症狀。

Lee 說在所有醫療領域裡,眼科學最適合從 GPU 加速深度學習裡受惠。眼科醫師不只能收集訓練神經網路所需的大量資料,整個領域裡的資料也達到高度標準化的水準。

「一些驚人的事情」

Lee 和他的團隊專注於光學同調電腦斷層掃描(OCT)測試,這項測試使用光波拍攝視網膜的橫截面圖片。醫生每年進行超過五百萬次 OCT 測試來診斷 AMD、青光眼和糖尿病性視網膜病變等疾病,糖尿病患者的高血糖情況會損傷視網膜中的血管及影響視力。

研究人員將十萬名患者 OCT 掃描及其電子病歷串連起來,以建立 AMD 檢測演算法。他們使用 CUDA 平行運算平台和 GeForce GTX TITAN X GPU,加上 cuDNN 加速 Python Caffe 深度學習架構,訓練出一套辨識 AMD 患者的神經網路,準確率達到 93%。

光學同調電腦斷層掃描(OCT)測試讓醫生看到每個視網膜的獨特層次。 (圖片來自Ugur Onder Bozkurt通過知識共享。)

僅花了三週時間便開發出的 AMD 演算法,消除了 Lee 對 GPU 加速深度學習優點的疑慮。

他說:「我在這裡看到一些驚人的事情。使用尋常電腦架構來處理這般規模的資料集,並且訓練一套跟我們使用的規模同樣龐大的神經網路,根本就做不到。」

人工智慧媲美專家水準

對那些結果十分滿意的 Lee,加入八個 NVIDIA Tesla P100 GPU 的運算能力,以克服在 OCT 掃描中辨識視網膜內液(IRF)的難題。視網膜血管受到損傷時,會出現 IRF 的情況。醫師觀看 IRF,以判斷患者對藥物的反應及改善情況。

該團隊訓練了一套神經網路,以像素為單位來辨識 IRF,而當前則是靠著醫師進行人工判斷。這套演算法的表現達到專家水準,可以讓醫師長期客觀地追蹤患者的改善程度。

Lee 說:「我們利用深度學習找出掃描圖片裡看不到的特徵。」


在上方的 OCT 掃描圖像裡,黃色區域是人工智慧確認出進行診斷時最重要的參考區域。這些區域完全符合圖像裡異常特徵的位置(圖片提供:Aaron Lee)。

對人工智慧的目標

然而 Lee 見到人工智慧有更多機會將為眼科的未來發展,帶來不同的改變。

他希望能更快速、更有效地檢測眼疾,如此一來醫師就可以投入更多時間在治療病患上。這套系統或許有助於解決治療高齡人口的醫師人數短缺,或是在醫生短缺地區提供照護人手的問題,同時對於導致 AMD 和其他疾病的原因出現新的見解。

Lee說:「未來人工智慧將在治療患者方面發揮重要作用。」

如需更多資訊,請見 Lee 的研究報告:

研究團隊在 github 上公開研究資料:https://github.com/uw-biomedical-ml/oir 及 https://github.com/uw-biomedical-ml/irf-segmenter