用人工智能看不见的东西

杰弗里·r·威利斯，基因泰克的副医疗总监
发布于2019年8月20日(本文首发于gene.com）

人工智能(AI)有望提高我们诊断疾病的能力，并为个别患者选择最佳治疗方案，从而对医学产生巨大影响。

在3月份发表在《眼科学与视觉科学调查》上的一项概念验证研究中，我们展示了这项技术将如何彻底改变眼科医生诊断糖尿病黄斑水肿(DME)的方式。DME是糖尿病的一种并发症，会导致视网膜增厚，如果不及时治疗，可能导致不可逆的失明。

不幸的是，许多人在壮年时因二甲醚而失明，这使他们更难工作和照顾自己。糖尿病患病率的上升与二甲醚的新病例有直接关系。预计到2045年，全球糖尿病患者人数将达到6.29亿人，其中约10%的人将患有威胁视力的眼病。

预防二甲醚的最佳方法是定期进行眼部检查，但据估计，60%的糖尿病患者没有进行眼部检查。这种检查使用了一种叫做彩色眼底摄影(CFP)的技术，它可以拍摄视网膜的二维图像。

尽管CFP提供了有价值的信息，但诊断二甲醚并确定是否需要治疗的金标准是光学相干断层扫描(OCT)，它对视网膜中部的黄斑进行三维测量，黄斑随着二甲醚的发展而厚度增加。然而，由于成本和技术限制，在筛查方案中往往无法使用OCT。250微米的厚度被认为是这种情况的阈值，而许多眼科医生建议从400微米开始治疗。

我们的团队决定探索是否可以使用深度学习来教会计算机如何从CFP图像中估计黄斑厚度，使患者和眼科医生更容易诊断二甲醚。目前，CFP图像是由专家解读的，他们经过多年的发展，能够根据视网膜表面的特征来测量视网膜的厚度，但仍然需要依靠OCT来确认和测量。我们的团队希望在自动化系统中生成类似的能力。

在深度学习中，计算机训练自己检测一组训练数据中的模式和关系，使用数百层分析，每层分析在没有用户任何指导的情况下拾取图像中不同的相关特征。然后，系统将其知识应用到相同类型的新输入数据。在这种情况下，我们给我们的计算机提供了来自两个大型二甲醚临床试验参与者的大量CFP和OCT数据来进行训练。

深度学习系统共检查了约700名患者的17,997张CFP图像，并将其与相应的OCT厚度测量结果进行了比较。我们使用这个训练集开发的最佳模型能够预测黄斑厚度大于250微米的阈值，准确率达到97%——这是一个令人印象深刻的性能水平。如果CFP图像质量足够好，深度学习甚至可以可靠地预测实际OCT测量的黄斑厚度。

这个最初的发现超出了我们的预期，我们想了解更多关于它是如何发生的。当我们仔细研究它时，我们兴奋地发现，计算机所关注的图像部分与专家多年来一直在做的一样，比如血管的轮廓和口径。

为了测试这一发现，我们仍然需要通过在其他数据集上测试来验证我们的系统。但假设它工作良好，这个工具可能对眼科医生有巨大的价值，因为他们治疗糖尿病和二甲醚患者。例如，二甲醚患者一旦开始治疗，他们中的许多人必须每四周接受一次OCT检测，以确保病情没有恶化。人工智能可能使人们能够使用手机摄像头实时监测他们的视网膜组织，使医生更容易跟踪患者的治疗需求和治疗反应。我们甚至可以设想一个应用程序来评估治疗是否有效。这样的创新不仅为病人提供了更多的便利，也使他们更积极地参与到自己的护理中来。对于眼科医生来说，利用CFP估计黄斑厚度的能力将更容易识别最紧急的病例，并迅速适当地治疗。

这个实验的一个重要教训是拥有一个大型临床试验数据集来训练我们的系统的价值。机器学习包括深度学习以及计算机用来开发数据分析知识库的其他技术，它的成功依赖于健壮、高质量和有代表性的训练数据。这是像我们这样的组织所拥有的大量资产，包括实验室测量、临床试验数据和真实世界的信息。

使用这些数据来支持诊断只是一个开始——CFP图像中可能会有线索，通过预测哪些人会进展最快，哪些人对治疗反应良好，来帮助人工智能对二甲醚进行个性化治疗。与试验相关的其他数据来源也可以加以利用，包括病史、基因组学和其他信息。最后，我们希望这种数据驱动的方法能更好地理解二甲醚，改善诊断，更快地提供所需的治疗，并最终保护糖尿病患者的视力。

这是作为罗氏/基因泰克眼科个性化医疗计划的一部分发表的第一篇稿件，该计划旨在结合有意义的大规模数据和人工智能技术来预测和预防眼部疾病，并保护视力。这项研究增加了越来越多关于人工智能在眼科应用的文献。它还揭示了罗氏/基因泰克如何利用其庞大的临床试验数据库开发AI算法，以预测疾病的存在、疾病进展的风险和对治疗的反应;所有这些都可以提供给眼科医生，以提供更高质量的个性化医疗保健。