人工智能+眼科疾病辅助诊断（相关信息搜集）

本文就人工智能在眼科疾病诊断方面的进展进行搜集汇总...

计算机视觉是人工智能的主要研究领域，跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。一幅图片具有形形色色各种特征，简单的可以是颜色、形状或图案，复杂的比如说可以是图案的自相似性（是否存在类似重复性图案）或是整个场景里其他的物体，通过大量图片的训练和学习可以像人类一样准确分辨图形，基于人工智能深度学习方法，斯坦福大学人工智能实验室在Nature发表论文展示了这一成果：他们用12.9万张皮肤病变的照片训练深度卷积神经网络，让它对皮肤损伤进行分类，诊断皮肤癌。
人工智能如今已经在癌症早期诊断上取得巨大的成就，有些领域是每个人都有可能会相关的，比如眼科，每个人都有失明的潜在危险。目前我国因眼病或外界因素致盲人数每年都在不断地增长，其中，致盲率最高的眼病有白内障、青光眼、糖尿病视网膜病变、老年性黄斑变性、角膜疾病、高度近视等。
　　现在人对智能手机的过度依赖，很多人每天看手机的时间会长达五六个小时以上，甚至更多，手机中的高频蓝光将大大增加了眼睛疾病的风险。因为蓝光的波长相对比较短，所以能量比红光和绿光高，能够直接穿透晶体直达视网膜上。蓝光波长在415~455纳米以内的蓝光，在一些动物实验中被证实能够损伤视网膜。蓝光可以对我们的黄斑造成伤害，可能会引起老年黄斑变性，世界卫生组织WHO爱眼协会在2008年就已经发出报告，当时因为蓝光辐射每年会导致全球30000人失明。

糖尿病已经成为我国广泛的疾病之一，根据国际糖尿病联合会（IDF）发布的糖尿病调查数据显示,2015年中国糖尿病人数量已经到了1.096亿，糖尿病性视网膜病变（DR）是糖尿病性微血管病变中最重要的表现，是一种具有特异性改变的眼底病变，是糖尿病的严重并发证之一。在增殖性视网膜病变中，视网膜损害刺激新生血管生长。新生血管生长对视网膜有害无益，其可引起纤维增生，有时还可导致视网膜脱离。新生血管也可长入玻璃体，引起玻璃体出血。与非增殖性视网膜病变相比，增殖性视网膜病变对视力的危害性更大，其可导致严重视力下降甚至完全失明。

人工智能诊断眼科疾病

　　 目前人工智能应用在计算机视觉的主要算法是深度神经网络，含多隐层的多层感知器就是一种深度学习结构，由Hinton等人于2006年提出，但是直到2012年Hinton采用了一种新的称为"丢弃" (Dropout) 的算法. 避免了过度拟合，从而让人工智能和深度学习真正的火爆和快速发展。
　　医学影像识别：人工智能深度神经网络是由大量简单的处理单元（神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特性，是人脑神经网络系统的简化，抽象和模拟，神经网络通过图像预处理、图像特征提取和分类等步骤识别医学影像。

医学影像判读：人工智能和深度学习的基础是大量高质量的数据，通过大量的医学影像和医学数据，对模型进行训练和测试，并且通过大量医学知识的学习，最终能够得出准确识别医学影像的人工智能模型，可以在识别并且诊断眼科疾病。
　　国内的人工智能医疗团队Airdoc专注在医学影像识别领域，通过识别医学图像来诊断疾病，在大脑、心血管、肺部、肝脏和骨骼健康领域已经创建了比较成熟的辅助诊断模型， Airdoc同样在糖尿病性视网膜病变诊断领域已经取得了巨大的成果，国际上将糖尿病视网膜病变从正常到严重分成了5类。Airdoc在眼科专家的帮助下，通过让人工智能算法学习远超人类医生一生接诊量的患者眼底照片，训练了一个检测糖尿病视网膜病变的深度神经网络，该算法在有明显症状和无明显症状二分方面准确性与三甲医院资深眼科医生持平，同时，该算法在眼底照片国际标准5分类方面的准确性也不逊于专业眼科医生。

人工智能和深度学习对眼科的意义

　　 很多人都好奇人工智能能否替代医生?在Airdoc团队看来人工智能是新时代的听诊器、显微镜、血压计，只是医生的好工具，并不能替代医生，最终的诊断决策还是需要医生做出。医生诊疗病人已经几千年，不会因为一两个技术出现而变化。人工智能对于医生诊断眼科疾病方面的优势有：
　　（1）准确识别：医生每天工作量很大，长时间高强度的工作，会导致医生疲劳，注意力不集中，会有出错的风险，机器最大的特点就是精准，不会出现因为劳累而出现诊断出错的情况。
　　（2）海量识别：每天大量的有眼疾的病人需要眼科医生诊断，但是医生的增长速率远远落后疾病的增长速率，很多医院看眼科病并不能当天给出诊断结果，深度学习模型可以在1秒钟以内识别眼部图像并且给出诊断建议，可以大大解放眼科医生，从而将精力放在研究性工作和治疗当中。
　　（3）辅助医生诊断：我国人口基数大，为了满足病人看病需求，出现了海量的医疗机构，然而并不是每一个医疗机构都能够诊断眼科疾病，为了解决这一问题出现了远程阅片中心，但是同样不能实时给出诊断结果，人工智能和深度学习应用到眼科，可以很好的辅助这些医院诊断眼科疾病。

目前，利用人工智能诊断眼科疾病方面的国内外进展情况

NO1:DeepMind

谷歌 CEO Sundar Pichai 在公司年度开发者大会（Google I/O） 上曾提到，糖尿病视网膜病变是糖尿病患者失明的罪魁祸首。如果可以早期诊断出病变，病患就能及时得到治疗。但是，只有非常有经验的医生才可以从扫描结果中看出这一迹象，目前这样的医生很少。谷歌正在将深度学习用于解决这一难题。
眼部疾病与数据问题
英国有两百万失明人口，其中，大约36万人登记为全失明或者半失明人口。其中，糖尿病患者遭受某种视力丧失的可能性会是普通人的25倍，早期诊断和治疗可以有效预防98%的严重视力丧失。
目前，眼科主要是靠对眼部进行数字扫描来诊断并决定普通眼部问题的治疗方案，比如，与年龄有关的黄斑病变和糖尿病视网膜病变。这些扫描非常复杂，而且到目前为止，传统分析工具已经无法完全理解这些数据。而且，眼科医生也要花费很长时间来分析这些扫描结果，严重影响了医生与病人沟通诊断，以及治疗效率。
摩尔眼科研究中心的负责人 Peng Tee Khaw 教授说，「眼部扫描结果非常细节化，其细腻程度超过了身体其他部分的扫描结果：我们的观察层面已经推进到了细胞层面。但是，问题就是如何处理海量数据。」

DeepMind 联合创始人以及人工智能应用部门的负责人Mustafa Suleyman 也指出，英国全民保健系统（NHS） 是一个奇迹，但也存在严重问题，除了资金、人员问题，还有严重的数据问题。关键的病人数据仍然存储在大量纸质媒介以及八十年代电子传呼系统和传真机当中，通过这些传统媒介的交流显然有很大的局限性。有十分之一的病人会在治疗过程中受到伤害，而一半的伤害是可以预防的，研究表明，很多伤害源自信息失灵，而这失灵又与错误沟通和延迟诊断有关。

DeepMind

DeepMind 于2014年被 Google 收购，现在，他们已经不满足于仅仅让人工智能来下下棋了，而要将人工智能推向医疗领域。DeepMind 切入的领域，是眼科疾病的早期诊断。
视力问题的诊断往往要借助光学相干断层扫描，即利用散射光生成视网膜的高清 3D 图像来帮助医生诊断。但问题是：
一、有经验的眼科医生所要面临的片子太多，处理起来负荷重，有时难免出现遗漏。
二、对于年轻医生来讲，阅读视网膜图像需要丰富的经验，他们没有能力独自做出诊断。
三、眼部的异常症状有时并不单单是由眼部疾病引起的，如高血压也会引起视网膜和视神经病变，因此需要更多的经验与更为复杂的数据模型。

DeepMind拥有落地数据源。2016年，DeepMind 与伦敦的墨菲眼科医院合作，开始进行大数据处理影像数据的尝试。在项目中，DeepMind 的软件将会学习超过一百万份眼部扫描资料，从而帮助医生确诊，并判断相关的早期症状。
如前文所说，眼部的异常症状有时并不单单是由眼部疾病引起的，比如高血压、糖尿病都会引发视觉障碍。根据美国国家糖尿病委员会的报告，糖尿病患者比非糖尿病患者的失明几率高25倍。DeepMind 和墨菲眼科医院的合作，可以攻克这个问题，能够发现早期糖尿病在眼部影响会引起哪些异常。

NO2:Watson

IBM 进军眼部医学诊断，它们的目标是——青光眼。
　　青光眼已经成为全球致盲的第二大杀手，由于病变周期长，用户的视觉实际上是慢慢减弱的，而且不到晚期一般难以确诊。青光眼之所以被称为"悄没声的光明小偷"，也是这个原因。据统计，有一半的用户都是在未经检查的情况下失明的，甚至，他们都还没来得及意识到自己得了青光眼。
　　虽然青光眼并不是无药可医，但早发现早治疗的方针不论对于什么疾病都同样适用。IBM 研究院密切关注这一疾病。他们发现的第一个问题在于，像青光眼、糖尿病视网膜或是老年性黄斑变性所引致的失明，其实都是可以预防（或是减缓）的。如果大部分患者能够及时发现眼部疾病，那么不仅会对患者的生活状态产生重要影响，也能避免不必要的经济负担。

上图显示的是四张眼球的背面图，Watson 检测视杯及视盘的大小。这一指标显示可能患者得了青光眼。
　　IBM 研究院存在的另一个挑战在于临床医师有限的经验可能很难发现视网膜图像的细微变化。对那些偏远地区的潜在患者而言，昂贵的交通及看病难也给他们带来了不便。 2015 年，驻澳大利亚 IBM 研究实验室的科学家们就致力于通过深度学习分析 88000 份源于 EyePACS（一家全球性的眼球相关影像及医学信息共享平台）的视网膜图像。机器通过训练眼球的解剖图像，已经学习了如何识别眼球的一些可能异常，以诊断像青光眼一样难以察觉的眼疾。
　　IBM 研究院发布了相关的研究结果，在视杯及视盘的检测上，机器达到了 95% 的准确度，并且会向疑似得了眼疾的患者建议做二度检查。眼疾分析的另一个关键点在于机器在扫描视网膜图像后能进行自动筛选。机器目前能达到 94% 的正确率，而这对于减轻验光师及眼科医生的人工负担大有裨益

医院放射科为了保证影像医生读片的质量，目前普遍用同行评审作为放射科医生质量评估的主要手段，一般会对约2%-5%的病例重新审核。同行评审是影像团队质量测评的主要手段。同时，这种方法也存在病例类型、读片难度分布不均，少见案例获得同行评审的机会少等缺点。
同一张影像片子，让不同的医生来写报告，内容不一样，有可能造成漏病，同行评审就是一个检查的过程。Watson将会协助心脏学专家和超声学专家发现狭窄病例以加速同行评审的过程，识别出可能会遗漏的患病风险高的病人。Watson的评审基于质量指标和图像分析，在实践中找差异。这种评审包括了验证和数据标签。

Watson的评估过程包括：医学影像分析和病人信息分析。医生在点击“问Watson”按钮之后，Watson会做这样一系列事情：
文本分析：检查病人的病历信息，高亮关键概念并总结，同时会更新病人电子病历中的数据。
分析医学影像：以多种方式分析影像，定位它认为是异常的区域。
推理：结合病人的影像和病历资料，检索所有相关的诊断，选定最有可能的诊断。

NO3：CC-Cruiser（中山大学在白内障方面的研究结果）

中国中山大学中山眼科中心的80后眼科医生林浩添和他的同事创立了一个人工智能平台来挖掘他们在先本性白内障的临床数据，进而到达筛查和帮助诊断的效果。他们结合西安电子科技大学刘西洋教学利用ILSVRC 2014（ImageNet Large Scale Visual Recognition Challenge of 2014）的冠军模型来树立辨认先天性白内障的深度学习模型（该模型被以为在图像识别范畴占主导位置，可用于训练和分类），取名为CC-Cruiser。本次研究结果于2017年1月30日发表在Nature Biomedical Engineering期刊上【参考5】。

训练CC-Cruiser的图片集，研究者采取了来自中国卫生部儿童白内障方案（CCPMOH）例行检讨的一部分图片，包含410幅不同严重水平的先天性白内障儿童患者的眼部图像，476幅正常儿童眼睛图像。所有图片均由两名有经验的眼科医师独立地进行分类和描写，第三名眼科医师对分歧案例提供咨询。

完成训练后，CC-Cruiser根本具备三个功能：
（1）筛查患有先天性白内障的患者
（2）对患者进行危险评估，评估主要有三个指标：晶状体的不透明面积、深浅和位置
（3）协助眼科医师进行治疗决策
研究者对CC-Cruiser进行了5次测试。在盘算机模仿测试中，CC-Cruiser筛查先天性白内障患者的准确率为98.87%。在危险评估功能中，三个指标（不透明面积、深浅和位置）判定的准确率为93.98%, 95.06% 和95.12%。在辅助决议，给眼科医师供给提议的准确率为97.56%。
为了进一步探讨CC-Cruiser的通用性和适用性，研究者选择三家非眼科的医院进行测试，两家医院在广州市，一家在清远市。因为研究者希望CC-Cruiser最终赞助的对象就是这些缺少现场眼科医生的医院。在57幅儿童眼部图片中，筛查的准确率为98.25%。危险评估的三项指标（面积、深浅、位置）的准确率分离100%, 92.86% 和 100%。辅助决策的准确率为92.86%。

参考：

1. http://www.datayuan.cn/article/6781.htm （deepmind部分）
2. http://synchuman.baijia.baidu.com/article/531103
3. http://www.china-eyes.net/cfae/xsjl/341.html （国内研究）
4. http://mt.sohu.com/20170209/n480327774.shtml
5. Erping Long, Haotian Lin, Zhenzhen Liu,Xiaohang Wu, Liming Wang, Jiewei Jiang, Yingying An, Zhuoling Lin, Xiaoyan Li,Jingjing Chen, Jing Li, Qianzhong Cao, Dongni Wang, Xiyang Liu, Weirong Chen& Yizhi Liu.An artificial intelligence platform for the multihospitalcollaborative management of congenital cataracts. Nature Biomedical Engineering[J]doi:10.1038/s41551-016-0024