DeepMind 剛剛釋出部落格宣佈其與倫敦摩爾菲爾茲眼科醫院（Moorfields Eye Hospital）聯合研究的第一階段成果，該成果將改變眼部疾病的治療。他們將深度學習應用到眼部疾病的診斷，併為患者與醫師提供可解釋性的分析圖，因而人類能理解深度網路到底是如何診斷眼部疾病的。
目前，該研究結果已在 Nature Medicine 上線上釋出，展示了其 AI 系統能夠對常規臨床實踐中的眼球掃描結果進行快速診斷，準確率打破以往記錄。它可以準確推薦患有 50 餘種危害視力的眼病患者進行轉診治療，準確程度堪比世界頂級的專家醫生。
這只是初步結果，不過它也展示了該系統能夠應對常規臨床實踐中的大部分病人狀況。從長期來看，DeepMind 希望這可以幫助醫生快速分辨需要緊急治療的病人，以劃分優先順序，儘可能地保住病人的視力。
流程更簡化
目前，眼部護理專家使用光學相干斷層掃描（OCT）來幫助診斷眼睛狀況。這些 3D 影象能夠為眼睛後部提供詳細的影象，但是它們很難閱讀，需要專家分析才能判別眼睛狀況。
分析這些掃描影象所需時間以及專家瀏覽影象的數量之多（僅摩爾菲爾茲眼科醫院每天就有 1000 張此類影象）使得掃描和治療之間出現了較長的間隔，即使是對於那些需要緊急治療的人來說。如果這些病人病況突變，比如眼睛後部出血，那麼這樣的拖延甚至可能導致病人喪失視力。
DeepMind 開發的系統致力於解決這一挑戰。它不僅能夠在數秒內自動檢測出眼疾的特徵，還能夠優先推薦需要緊急治療的病人進行轉診治療。這一即時歸類過程大幅降低掃描和治療之間的時間間隔，幫助患有因糖尿病引起的眼疾和老年黃斑變性的病人避免喪失視力。
可適應技術
DeepMind 不僅希望這在學術上是一個有趣的結果，他們同時希望該技術能用於實際治療中。所以 DeepMind 的論文也承載著 AI 在臨床實踐中所遇到的關鍵障礙：「黑箱」問題。對於大多數 AI 系統而言，我們很難精確理解為什麼演算法會作出對應的推薦。這對於需要理解系統推理的臨床醫生和患者而言是非常大的問題，他們不僅需要知道結果，同時還需要知道如何以及為什麼得出這樣的結果。
DeepMind 的系統採用了一種新穎的方式來解決該問題，該系統通過在兩個不同的神經網路間插入可解釋性表徵而將它們結合起來。第一個神經網路是分割網路，它能分析 OCT 掃描，從而提供不同型別的眼組織圖和觀察到的疾病特徵，例如出血、病變或其它眼病症狀。這種圖能幫助眼科專家深入瞭解系統到底是怎麼「思考」的。第二個神經網路為分類網路，它能分析特徵圖，為臨床醫生提供診斷意見和轉診推薦。重要的是，該神經網路會將這種推薦表示為百分比，因此臨床醫生能瞭解系統對其分析的置信度。
AI 如何幫助醫生檢測眼疾。
該功能至關重要，因為眼部護理專家通常在確定護理型別和治療方法時起到關鍵作用。讓專家監督該技術的推薦結果是使該系統實際可用的關鍵。
此外，該技術可以輕鬆應用於不同型別的眼部掃描器，不侷限於在摩爾菲爾茲眼科醫院訓練時所使用的裝置型別。這似乎無關緊要，但它意味著該技術可以相對輕鬆地在全世界推廣，大幅提高受益病人的數量。這還能確保該系統在醫院或其他臨床環境中的 OCT 掃描器升級換代後依然能夠使用。
下一階段
儘管 DeepMind 稱對此研究進展感到非常驕傲，但是這項初始研究需要被轉化為產品，並在實際應用之前先經過嚴謹的臨床試驗以及監管部門批准。而 DeepMind 相信，該系統將改變眼部疾病的診斷、治療和管理方式。
DeepMind 在 Moorfields 的合作伙伴希望 DeepMind 的研究能夠幫助他們改善護理過程，減少醫生的壓力，以及降低成本。因此 DeepMind 也將在未來計劃中投入大量的精力。
如果這項技術在臨床試驗中能被證明其普遍有效性，Moorfields 的臨床醫生將能在最初的五年內，於他們在英國的所有 30 所醫院和社群診所中免費使用它。這些診所每年服務 30 萬名病人，每天接收 1000 份 OCT 掃描轉診，所有這些工作都能因這項技術得到診斷準確率和速度的提升。
該專案中實現的工作將幫助加速許多其它的 NHS（英國國家醫療服務體系）研究工作。Moorfields 擁有的原始資料集適合醫生使用，但不適用於機器學習研究。因此 DeepMind 投入了大量精力對資料集進行清理、整理和標註，以為全世界的眼部疾病研究建立最佳的 AI-ready 資料庫。
改進後的資料庫由 Moorfields 作為非商業公開資產持有，並且已被醫院研究人員用於大範圍疾病的九項獨立研究中，未來該範圍還將擴充套件。Moorfields 也可以在他們未來的非商業研究專案中使用 DeepMind 的已訓練模型。
自 2016 年和 Moorfields 簽訂協議以來，對於 DeepMind 所有參與該專案的人而言，這項研究是一個相當令人激動的里程碑，併成為醫生和技術專家合作潛力的另一個象徵。DeepMind 也將繼續更新他們的研究成果。
論文：Clinically applicable deep learning for diagnosis and referral in retinal disease
論文地址：https://www.nature.com/articles/s41591-018-0107-6
摘要：診斷成像的體量和複雜性比人類專業知識的增長速度更快。人工智慧技術在對一些常見疾病的二維照片進行分類方面潛力巨大，且通常依賴於數百萬帶註釋影象的資料庫。到目前為止，通過在現實世界的臨床方法進行三維診斷掃描還無法媲美專業臨床醫生的表現。在本文中，我們將一種新的深度學習架構應用於一組臨床上異質性的三維光學相干斷層掃描，這些掃描來自一家大型眼科醫院的患者。在僅接受了 14884 次掃描訓練後，我們的轉診建議在一系列威脅視力的視網膜疾病診斷中達到或超過了專家的表現。此外，我們證明了：我們的體系架構產生的組織分割可作為一種獨立於裝置的表徵；當使用來自不同型別裝置的組織分割時，可以保持推薦準確性。我們的研究消除了以前存在的大範圍臨床使用的障礙，也不需要來自現實環境中多種疾病的龐大訓練資料。
圖 1：我們提出的 AI 框架。a. 原始視網膜 OCT 掃描（視網膜黃斑周圍 6 × 6 × 2.3 mm³）。b. 深度分割網路，用手動分割的 OCT 掃描影象進行訓練。c. 得到的組織分割圖。d. 深度分類網路，使用帶有確診和最佳轉診決定的組織圖進行訓練。e. 預測的診斷概率和轉診建議。
圖 2：分割網路結果。從 n=224 OCT 掃描中選擇的三個二維切片，其中左圖為分割測試集、中間為手動分割、右邊為自動分割。
圖 3：病人轉診決策的結果。在 n=997 名病人的獨立測試集上得到的效能結果（252 名緊急、230 名次緊急、266 名常規、249 名僅觀察）。a. 緊急轉診（脈絡膜新生血管，CNV）vs. 所有其它轉診的 ROC 曲線圖。b. 帶有患者編號的混淆矩陣，轉診決策由 DeepMind 框架和兩位頂級視網膜專家分別做出。c. 轉診決策的總誤差率（1 表示準確）。淺藍色區域（3.9–7.3%）外的值與框架表現（5.5%）非常不同（95% 的置信區間，使用一個雙重精確二項檢驗）。AUC 為曲線下區域面積。
圖 4：擴充套件到新的掃描裝置型別。
圖 5：將分割結果視覺化為等厚圖（thickness map）。
表 1：在兩種裝置型別上完成的訓練掃描數以及獲得的效能。