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：
- Deep Learning Is Effective for Classifying Normal versus Age-Related Macular Degeneration OCT Images
- Deep-learning based, automated segmentation of macular edema in optical coherence tomography
- Assessment of the need for separate test set and number of medical images necessary for deep learning: a sub-sampling study
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。