谷歌的人工智能已經比人類更好地掌握了古老的圍棋、學會了識別人臉和口語、能幫你在網絡中智能地篩選答案、甚至還能將你說的話翻譯成上百種語言。而除了玩游戲和提供更便捷的智能手機應用之外，谷歌的人工智能還能做一些更為嚴肅的事，比如疾病診斷。實際上，谷歌已經嚴肅起來了。昨天，谷歌研究者在其 Research 博客上更新了一篇文章，介紹了他們在研究自動識別糖尿病性視網膜病變（diabetic retinopathy）上的最新進展，相關論文已經發表在美國醫學協會雜志（Journal of the American Medical Association）上。

　　糖尿病性視網膜病變（diabetic retinopathy，以下簡稱 DR）是現在增長最快的致盲病因，全世界大概有 4.15 億糖尿病患者存在失明風險。如果發現得早，這個疾病是可被治愈的；如果發現得晚，它就可能會導致不可逆轉的失明。不幸的是，世界上很多糖尿病高發地區還缺乏有能力檢測這種疾病的醫學專家。我們相信機器學習能夠幫助醫生檢查有需要的病人，尤其是那些尚未得到足夠醫療服務的人群。

　　幾年前，我們中一些人開始思考能不能使用谷歌的技術來改進 DR 的篩選過程，特別是能否借助機器學習和計算機視覺領域的最新進展來做到這一點。在今天發表于 JAMA 的論文《用于檢測視網膜眼底照片中糖尿病性視網膜病變的深度學習算法的開發和驗證（Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs）》中，我們提出了一種可以解讀視網膜照片中 DR 發病跡象的深度學習算法，這有望能幫助資源有限地區的醫生正確地篩選出更多的病人。

　　檢測糖尿病性眼病的一種最常見的方法是讓專科醫生來檢查眼后部的圖像（圖 1），然后再評估疾病是否存在及其嚴重程度。其中疾病的嚴重程度是由病變（如微動脈瘤、出血、硬滲出物等）的類型所確定的，這些癥狀表明了眼部之中的出血和液體滲出情況。然而解讀這些照片需要經過專門的訓練，而在世界上許多地區，還沒有足夠多合格的評估者能夠篩選出存在發病風險的每個人。

　　圖 1：為了篩選 DR 而拍攝的視網膜眼底照片樣本。左側的圖像是健康的視網膜（A），而右邊的圖像則是可引起糖尿病性視網膜病變的視網膜（B），可以看到存在出血狀況（紅點）。

　　通過與印度和美國的醫生緊密地合作，我們創建了一個包含 128,000 張圖像的開發數據集，其中每一張圖像都得到了 54 位眼科醫生中 3 到 7 位醫生的評估。這個數據集被用來訓練了一個可以檢測可誘發糖尿病性視網膜病變的病癥的深度神經網絡。然后我們在兩個互相獨立的包含大約 12,000 張圖像的臨床驗證集上測試了該算法的表現，該測試所參考的標準是一個 7 或 8 人的美國認證眼科醫生中大多數人的意見。為驗證集所選擇的眼科醫生的意見與訓練集原來的 54 位醫生的意見表現出了高度的一致性。

　　圖 2顯示了算法和眼科醫生在包含9,963張圖像的驗證集上的判斷表現。

　　圖 2. 算法性能（黑色曲線）和八位眼科醫生（彩色圓點）在由9963個圖像組成的驗證集上判斷病變，即判斷是否存在可引起的糖尿病性視網膜病變（中度或更嚴重的糖尿病性視網膜病變或可疑的糖尿病性黃斑水腫）。圖上的黑色方塊對應在高靈敏度和高特異性操作點中，算法的靈敏度和特異性。

　　結果顯示我們算法的表現和眼科醫師的診斷是處于同等水平的，例如，在圖2中描述的驗證集上，算法具有0.95的F-Score值（結合靈敏度和特異性的度量，最大值為1），算法的表現稍微高于我們所咨詢的8個眼科醫生F-Score中位數值（0.91）。

　　這些是十分令人振奮的結果，但仍然我們還有很多要做。首先，雖然使用常規質量度量評價我們的算法結果是鼓舞人心的，但我們正在與視網膜專家合作去定義更強健能量化臨床表現的參考標準。此外，我們在論文中證明解釋2D眼底照片只是診斷糖尿病性視網膜病變多步驟過程的一部分。在某些情況下，醫生需要使用3D成像技術，光學相干斷層掃描（OCT），詳細檢查視網膜的各個層。將機器學習應用于這種3D成像模式已經在DeepMind的帶領下進行了。在將來，這兩種互補方法可以一起使用，以幫助醫生診斷更多的眼科疾病。

　　高精度自動糖尿病性視網膜病變（DR）掃描方法有很大的潛力，因為它能幫助醫生評估更多的患者，并且迅速地將需要幫助的人匹配給專科醫生。我們正在與醫生、研究員一起研究世界各地的掃描全過程，并希望我們可以用最有利的方式將我們的方法整合到臨床工作流程中。最后，我們正與美國食品藥品監督管理局（FDA）還有其他監管機構合作，以進一步評估這些技術在臨床中的表現。

　　考慮到最近深度學習有許多進展，我們希望我們的研究只是眾多激發興趣的例子之一，希望它證明機器學習能夠更廣泛地幫助解決醫療成像，甚至是更廣泛的醫療保健問題。