研究报告：《临床可用于视网膜疾病的诊断和转诊的深度学习》

医学影像正以前所未有的速度在全球范围内扩张，导致越来越多的数据需要人类的专业知识和判断来进行解释和分类。许多临床专科相对缺乏这方面的专业知识，无法提供及时的诊断和转诊。显然，诊断成像数量的增长速度和复杂性正在为人类专业知识解释所不能及。例如，在眼科，光学相干断层扫描（OCT）技术的广泛使用与专家解释扫描并将患者转介到适当的机构进行临床诊疗的可能性，并不匹配。这一问题因影响视力疾病的发病率急剧上升而加剧，而OCT则是这类疾病初步评估的黄金标准，仅2014年一年，美国联邦老年医保人群就进行了535万次OCT扫描；英国NHS也将OCT已广泛用于对需要快速非择期性评估急慢性视力丧失的患者进行综合初步评估和分类。

人工智能（AI）为这类医学图像解释和分类提供了一种很有前途的解决方案。不过，虽然最近人工智能在二维图像上显示出专家水平的突破，但该技术的未来临床应用仍然受到三个关键挑战的阻碍。首先，人工智能（通常要经过来自于一个典型数据集的数十万个例子的训练）必须能推广到新的人群和设备，而不会造成性能的重大损失，也不会对再训练产生令人望而却步的数据要求。其次，人工智能工具必须适用于真实世界的扫描、问题和路径，并能用于临床评估和部署。最后，人工智能工具必须相当于或超过人类专家在这类真实世界情况下的表现。

医学图像的自动诊断，即使是针对一种疾病，也面临着两个主要的挑战：一是成像过程中的技术变化（不同的设备、噪音、部件老化等）；二是疾病的病理临床表现中患者与患者之间的变异性。现有的深度学习方法寻求使用单一的端到端的黑盒网络来处理这些变异的所有组合，因此通常需要数百万个标注后的扫描图像。相比之下，他们的框架将这两个问题（成像过程中的技术变化和病理变化）解耦，并单独解决之。

本文中，作者将一种新的深度学习架构应用于一组临床异质性的三维光学相干断层扫描(OCT)，这些扫描来自一家大型眼科医院的患者。他们仅用了14884个扫描图像进行训练，在一系列威胁到视力的视网膜疾病方面，他们的转诊建议达到或超过了专家的转诊建议。此外，他们证明了由他们的架构所产生的组织图像分割可作为一种与设备无关的表示法；当使用来自不同类型设备的组织图像分割时，转诊准确性可得到保证。他们的工作消除了以前的临床广泛推广使用障碍，而无需在真实世界的诊疗机构中的跨多种病理的训练数据需求。

如需要来自DeepMind、英国国度安康研究所、伦敦大学学院的专家团队的研究报告《临床可用于视网膜疾病的诊断和转诊的深度学习》（英文，共41页），请在本微信公众号中赞赏（点喜欢或稀罕作者后打赏）后发来email地址索取。

★

每日鲜鸡汤★

Christmas is like candy; it slowly melts in your mouth sweetening every taste bud, making you wish it could last forever. 圣诞节就像糖果，它在你的口中慢慢融化，甜化每一个味蕾，让你希望它能永远甜蜜下去。圣诞快乐！