深度学习实验室编译
来源：Phys.org
青光眼是世界上第二大导致失明的疾病，仅在美国就影响了约万人。这是一系列复杂的疾病，如果不及时治疗，可能导致失明。这在澳大利亚是一个特别大的问题，只有50％的人能够及时被诊断并接受相应的治疗。
作为IBM和纽约大学科学家团队的一员，我和我的同事正在研究可以用来帮助眼科医生和验光师利用眼睛图像，并有助于加快检测图像中青光眼过程的AI新方法。在最近的一篇论文中，我们详细介绍了一种新的深度学习框架，该框架直接从原始光学相干断层扫描（OCT）成像中检测青光眼，这种方法利用光波拍摄视网膜的横截面图像。该方法实现了94％的准确率，无需对数据进行任何额外的分割或清理，这通常非常耗时。
目前，青光眼使用各种测试进行诊断，例如眼压测量和视野测试，以及眼底和OCT成像。OCT提供了一种有效的方法来可视化和量化眼睛中的结构，即视网膜神经纤维层（RNFL），其随着疾病的进展而变化。
虽然这种方法效果很好，但它需要额外的过程来量化OCT图像中的RNFL。这些技术通常还以各种方式清理输入数据，例如将所有眼睛翻转到相同的方向（左或右）以减少数据的可变性以改善分类器的性能。我们的方法消除了这些额外的步骤，表明这些潜在的耗时阶段不是检测青光眼所必需的。
最终，经过测试，在名受试者（名健康和名青光眼患者）中，我们基于深度学习的新方法，正确检测出病例中94％的青光眼，而之前提到的技术仅能达到86％。我们相信这种改进的准确性是消除图像结构自动分割中的错误以及包含临床上目前尚未用于此目的的图像区域的结果。
此外，与目前使用更大更深层网络的人工智能研究趋势相反，我们使用的网络是一个小型的5层网络，因为医疗数据由于其机密性质而不易获取。这种数据稀缺使得大型网络的使用在许多医疗应用中不切实际。即使在研究中，我们有时也会看到“越少越好”，并且在较小的网络上训练这些算法可以让它们以更高的效率运行。
这只是我们研究人工智能应用的一个方面。在最近宣布的新合作中，IBMResearch和George＆Matilda（G＆M）将利用G＆M强大的匿名临床数据和成像研究数据集来探索使用深度学习模型和成像分析的方法，以支持临床医生识别和检测眼睛疾病，包括青光眼图像。研究人员还将研究青光眼的潜在生物标志物，以有助于更好地了解疾病进展。
进入