解锁AI技能：深度学习利用OCT图像诊断眼内视网膜疾病

解锁AI技能：深度学习利用OCT图像诊断眼内视网膜疾病

深度学习（Deep learning，DL）是一种新型的AI机器学习技术，它使用一些机器学习技术解决现实世界的问题，通过开发神经网络，模拟人类的决策。

在过去的几年里，深度学习（Deep learning，DL）在医学中得到了广泛的应用，旨在模仿人脑中的神经元层来处理和提取信息，使计算机无需明确编程即可学习。这种技术也可用于检测疾病，包括视网膜疾病的眼底图像、结核病的胸片和恶性黑素瘤的皮肤图像。

最近，深度学习已被用于从视网膜照片中识别与心血管疾病相关的风险因素（例如：血压、吸烟和体重指数）。Kermany等在Cell报道AI能检测几种疾病，包括糖尿病黄斑水肿、脉络膜新血管形成、玻璃疣和小儿肺炎，且有诊断的可能性。

在糖尿病人群中筛查视网膜并发症患者是一项很重要的公共卫生战略，旨在对有眼内并发症的糖尿病患者早发现，并接受早期眼科护理服务，并给与治疗。

在美国，医生对2000万糖尿病患者筛查后发现100万左右的患者有DME，但是这样的大规模筛查会带来很重的经济负担。糖尿病患者通常无症状，但应予以监测，以便在发生视力丧失之前给与适当的治疗（例如，用激光或抗VEGF治疗）。然而，对所有50岁以上的老年人进行筛查以识别和监测具有早期AMD征兆的无症状个体（即玻璃疣）或AMD晚期症状（即CNV）的患者不是很现实，但对这些无症状个体进行治疗对于保持视力非常有效。

目前，使用卷积网络（ConvNets）的深度学习技术已经有了很大的发展。Kermany等人使用的转移学习是一种使用ConvNets构建AI系统的方法，该方法已经使用公共领域中的大型数据集进行了预训练。例如，转移学习允许使用在训练过程中获得的知识识别图像中的动物，以用于从光学相干断层扫描（OCT）图像识别视网膜疾病。ConvNet由多层神经元组成，有可训练的权重，因此能够学习特征和模式。受到大脑视觉皮层生物学的启发，ConvNet中的每个神经元都连接到输入的局部区域，以了解图像的特定特征。在医学成像中，迄今为止已经有许多公开可用的ConvNet模型（VGGNet、ResNet、Inception V3和DenseNet）。

Kermany等人表示有望使用深度学习和转移学习技术诊断的情况是，依据OCT图像诊断的三种主要视网膜疾病：即DME、CNV和玻璃疣。

在这项研究中，作者使用Inception V3培训了深度学习框架，包括~37000张CNV图像的、~11000张DME图像，~9000张玻璃疣图像和~51000张健康人群的图像；图像总共从4686个人中获得。 随后对1000张图像进行了验证：包括250幅CNV图像、250幅DME图像、250幅玻璃膜疣和250幅正常图像。

在三种模型中评估了AI性能：多类比较、有限模型和二元分类器。 对于多组比较，作者使用AI将CNV，DME和玻璃膜疣的图像与健康个体的图像分别区分开来。对于有限模型，仅使用1000张图像（250 CNV、250 DME、250玻璃疣和250正常），并且这些训练集中的图像数量远小于原始训练数据集（116000图像）。

对于二元分类器，作者划分了OCT图像进入CNV与正常、DME与正常和玻璃膜疣与正常对比，以测试每种情况下的个体AI算法（图1）。

图1：转移学习可应用于OCT图像的分类，用于早期诊断视网膜疾病

Kermany等人开发了用于从OCT图像中检测CNV、DME和玻璃疣的AI框架。他们的AI框架在训练集上使用了转移学习方法Inception V3，并使用三种不同的方法重复了100次迭代，如图1所示。该方法能够以90％的准确度诊断疾病。

在所有三种模型中，深度学习的诊断性能在区分CNV、DME、玻璃疣和正常图像方面准确度> 90％的，在二元分类器模型中获得最佳结果（准确度>98％）（图1）。尽管精度略有下降，但有限模型能够实现即使训练集比完整数据集小100倍，精度仍可达到90％以上。

与六名人类专家相比，深度学习系统在根据OCT图像确定需要紧急转诊的个体时发现了类似的结果。进一步深度学习算法有效性的验证，是在一套由5,232次训练组成的儿童胸部X光片（CXR）上进行的来自5826名患者的图像（2538张细菌性肺炎图像、1345张病毒性肺炎图像和1349张健康图像），和来自624例患者的624张图像（234张健康图像和390张肺炎图像）中进行的，他们达到了92.8％的准确度。

在进入临床之前，为了进一步验证有效性，要将其结果与现有的深度学习系统进行直接比较，以衡量相对优点、局限性、性能、效率和易用性。此外，关于在其他应用中使用该方法，研究人员进行了遮挡测试，该方法成功地确定了ConvNet中的区域，对于做出诊断很重要。

然而，这可能不容易适用于具有可变异常区域或其他成像模式的疾病（例如：CXR）。 此外，还要考虑这种方法最适用的机构：它是否适用于初级卫生保健环境中的一般人群筛查或帮助眼科医生在三级医疗机构进行诊断？ 最后，更一般地说，未来的研究可能会解决医学成像方面的挑战，例如机器和人体裁判如何或何时有所不同，以及设计方法在数量和质量上评估和解释人和机器的误差来源。

总之，Kermany等已经表明，深度学习系统在依据OCT图像诊断DME、CNV和玻璃疣以及和依据儿童胸部X光片上诊断儿科肺炎方面具有优秀的表现。 他们还强调了在小数据集条件下转移学习的应用。

然而，许多深度学习医学成像分析的领域仍然存在未解决的问题。因此，机器学习和医疗界必须密切合作，不仅要促进深度学习技术的发展和验证，还要战略性地部署这些技术在病人护理中的应用。

来源：医学AI社