google深度学习用于糖尿病视障碍检测

就在11月底，google research博客，发出一篇文章，介绍其使用深度学习检测糖尿病诱发的视网膜病变的成果，该研究使用由9,963张视网膜照片组成的验证数据进行测试，结果机器给出的结果，其F-score值（综合反映敏感性和准确性的度量指数，最大为1，越大越好）为0.95，高于8为医学专家的中位数值0.91。

简单搜索了下，微信公众号已经有一篇文章介绍这个成果的，但一看就是从某个英文网站翻译过来，而且整体的逻辑也不清晰，所以我觉得有必要写一篇新文章，这里的文字并非是google research博客的原文翻译，而是在保证准确转述的基础上加了我自己的理解。

目前全球有4.15亿糖尿病人，而Diabetic retinopathy（简称DR，查了维基百科的解释，这里译为『糖尿病视障碍』或『糖尿病眼盲』）是增长最快的导致失明的发病诱因。这种病发现早的话，是可以治愈的，而发现晚的话，就无可奈何了。

目前对DR病人的诊断，是由医学专家对病人的眼睛黑区照片检查，依据损伤的存在和面积判断疾病的发生和严重度，进行这种人工检查需要专门的训练，而很多这类疾病高发地区恰恰稀缺这样的医学专家。

google和印度、美国的医生合作开发了这个算法：

  • 首先解决的是训练数据，在医生的帮助下收集整理了128,000张图片，这些图片都经过由54名医学专家组中的3-7人手工检查并做了标记
  • 接着，使用这批数据进行深度神经网路算法的训练
  • 然后使用~12,000张的两批新数据集进行算法效力的评估，而评估的金标准，大部分是来自一个7-8人的专家团队的意见，这个团队是由前述54人的专家委员会内部推举产生

结果就是下面这张图，深度学习算法的表现和专家判读结果相当，甚至优于专家组的平均值。
最后googler也提醒我们，不要高兴太早，原因是：

  • 尽管以常规的衡量方式看，深度学习算法的表现已经很好，他们认为还要收集更多更准确的参考结果，用于提升算法表现
  • 解读2D的病人眼部图片是诊断糖尿病眼疾的多个步骤中的一个，有些情况下还需结合3D成像技术，OCT来细致地检查病人视网膜的不同层。好消息是，利用机器学习解决3D成像结果的识别，已经由google的另一个部门DeepMind在做了，相信结合两个方法可以帮医生诊断更多眼部疾病