深度学习能够筛查眼病

方法的训练所需的昂贵的带注释的图像数据量算法在美国，这种方法对诊所很有吸引力。在用例中糖尿病性视网膜病变在美国，研究人员开发了一种筛选算法，它需要的注释数据减少75%，并达到同样的效果诊断人类专家的表现。

近年来，诊所已经向人工智能和人工智能迈出了第一步深度学习自动化医疗筛查。然而，训练一种深度学习算法来进行准确的筛选和诊断预测需要大量的标注数据，而诊所常常需要花费昂贵的专家标注。因此，研究人员正在寻找方法，以减少对昂贵的注释数据的需求，同时仍然保持算法的高性能。

用例糖尿病视网膜病变

糖尿病视网膜病变是一种糖尿病视网膜受损，最终导致失明。视网膜厚度测量是高危患者诊断疾病的重要手段。为了做到这一点，大多数诊所会对眼底(眼球背面的表面)拍照。为了自动化筛选这些图像，诊所开始应用深度学习算法。这些算法需要大量的眼底图像和昂贵的注释，以训练正确的屏幕。

慕尼黑大学眼科医院拥有一个人口规模的数据集，包含超过12万张未注释的眼底和共同注册的OCT图像。OCT(光学相干断层摄影术)可以获得视网膜厚度的精确信息，但并不是每个眼科护理中心都能获得。LMU向Helmholtz Zentrum München的研究人员提供了他们的数据人工智能在健康。

训练的“慎独”下

“我们的目标是使用这种独特的大组眼底和10月的图片该研究的第一作者Olle Holmberg说，他来自Helmholtz Zentrum München和慕尼黑工业大学生命科学学院。

该研究小组开发了一种名为“交叉模态自监督视网膜厚度预测”的新方法，并将其应用于用LMU数据集对深度学习算法进行预训练。在这个用例中，交叉模态自我监督学习允许算法自学，以不同oct衍生的视网膜厚度剖面识别未注释的眼底图像，直接从眼底预测厚度信息。通过准确预测视网膜厚度(糖尿病视网膜病变的关键诊断特征)，该算法能够了解如何预测筛查结果。

高性能与四分之一的训练数据

这种新方法大大减少了训练深度学习算法所需的昂贵标注数据。当应用于糖尿病视网膜病变的自动筛查时，与之前需要更多训练数据的算法和人类专家相比，它取得了相同的诊断性能。

“我们将注释数据的需求减少了75%，”Fabian Theis教授说。他是Helmholtz Zentrum München计算生物学研究所主任，也是Helmholtz AI (Helmholtz Association的人工智能平台)的科学主任，领导了这项研究。稀疏注释数据是医学领域的一大挑战。我们的目标之一是开发一种可以在更少的数据下工作的方法，并有可能在许多情况下应用。我们在糖尿病视网膜病变方面的应用案例已经准备好在诊所中立即使用，这是人工智能如何改善诊所日常业务，从而改善每个人的健康的一个完美例子。”

“利用广泛使用的眼底摄影技术自动检测和诊断视力受损的糖尿病视网膜病变是筛查的一大进步。因此，将患者转诊到部分人满为患的专科眼科护理中心也可以减少。”负责这项研究临床方面的慕尼黑大学眼科医院的Karsten Kortuem博士说。

此外，在算法本身实现了尺寸的额外减少，即参数的数量。这种新方法可以实现多达200倍的小算法。这可能是将它们部署到移动和嵌入式设备上的一个关键好处，这在临床环境中也很重要。

应用范围超越糖尿病视网膜病变

除了糖尿病性视网膜病变，该新方法还允许进一步的临床应用，在这些临床应用中，有许多未注释的数据可用，但专家注释稀缺，如年龄相关性黄斑变性(AMD)。