新型深度学习方法可用于糖尿病相关眼病的临床自动化筛查

Helmholtz Zentrum München的研究人员与慕尼黑LMU大学眼科医院和慕尼黑工业大学(TUM)一起创建了一种新的深度学习方法，可以更有效地自动筛查糖尿病视网膜病变等眼病。该方法减少了算法训练所需的昂贵的注释图像数据量，对临床具有吸引力。在糖尿病视网膜病变的用例中，研究人员开发了一种筛选算法，它需要的注释数据减少了75%，并实现了与人类专家相同的诊断性能。

近年来，诊所已经向人工智能和深度学习迈出了第一步，使医疗筛查自动化。但是，训练是一种深度学习算法准确的筛查和诊断预测需要大量的注释数据，而诊所经常为昂贵的专家标签而挣扎。因此，研究人员正在寻找方法来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与糖尿病相关的眼睛疾病，会损害视网膜，最终导致失明。测量视网膜厚度是诊断高危患者视网膜病变的重要手段。为了做到这一点，大多数诊所会拍摄眼底的照片——眼睛后部的表面。为了自动筛选这些图像，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，以便训练正确的筛选。

慕尼黑LMU大学眼科医院拥有一个人口规模的数据集，包含超过120,000个未注释的眼底和共同注册的OCT图像。OCT(光学相干断层扫描)可以提供视网膜厚度的精确信息，但并不是每个眼科保健中心都能普遍获得。LMU将他们的数据提供给亥姆霍兹中心München的研究人员，该中心是人工智能在健康领域的先驱。

“自我监督”下的预培训

来自Helmholtz Zentrum München和TUM生命科学学院的该研究的第一作者Olle Holmberg说:“我们的目标是使用这一独特的大型眼底和OCT图像集来开发一种方法，该方法将减少算法训练对昂贵的注释数据的需求。”

研究人员开发了一种名为“交叉模态自监督视网膜厚度预测”的新方法，并将其应用于使用LMU数据集预训练深度学习算法。在这个用例中，交叉模态自监督学习允许算法教会自己识别具有不同oct派生的视网膜厚度剖面的未注释眼底图像，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一个关键诊断特征)，该算法能够学习如何预测筛查结果。

用四分之一的训练数据表现优异

这种新颖的方法减少了对昂贵的带注释数据的需求深度学习算法显著。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，它实现了相同的诊断性能。

“我们将注释数据的需求减少了75%，”Fabian Theis教授说，他领导了这项研究，担任Helmholtz Zentrum München计算生物学研究所所长，以及Helmholtz AI (Helmholtz协会的人工智能平台)的科学总监。“稀疏注释数据是医学领域的一个巨大挑战。我们的目标之一是开发使用更少数据的方法，然后可以应用于许多环境。我们在糖尿病视网膜病变方面的用例已经准备好立即用于诊所，这是人工智能如何改善诊所的日常业务，从而改善每个人的健康的一个完美例子。”

“糖尿病视力损害的自动检测和诊断视网膜病变广泛使用的眼底摄影对筛查是一个很大的改进。因此，患者转到部分过度拥挤的专业眼科护理中心的情况也可以减少，”慕尼黑大学眼科医院的医学博士Karsten Kortuem说，他负责这项研究的临床方面。

此外，算法本身还实现了参数数量的额外减少。这种新方法可以实现高达200倍小的算法。这可能是将它们部署在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。

糖尿病视网膜病变以外的应用

除了糖尿病性视网膜病变在美国，这种新方法允许进一步的临床应用，其中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)。

---

---