卷積神經(jīng)網(wǎng)絡(luò)判讀與分類視網(wǎng)膜眼底成像技術(shù)再獲突破

在人工智能(AI)深度學(xué)習(xí)的領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)(ConvoluTIonal Neural Network；CNN)已是目前最具代表性的發(fā)展技術(shù)之一；然而不論是CNN模型或臨床醫(yī)師，在針對視網(wǎng)膜眼底成像的圖象判讀及分類時，常見的問題之一就是如何判定出可能造成病變的原因。

據(jù)報導(dǎo)，《Journal of Digital Imaging》期刊近期所發(fā)表的一篇研究報告顯示，CNN模型已能協(xié)助更精準(zhǔn)的判讀與分類視網(wǎng)膜眼底成像，并提供相關(guān)成因證據(jù)作為參考依據(jù)。

視網(wǎng)膜眼底圖象的使用主要是用來判斷出可能對視力造成威脅的情況。然而到目前為止，臨床醫(yī)師仍須以手動的方式，透過預(yù)先設(shè)定的規(guī)則來觀察視神經(jīng)盤及周圍視網(wǎng)膜血管的位置。盡管這是一項不困難且具有主觀性質(zhì)的任務(wù)，但對于臨床醫(yī)師而言卻仍是一種單調(diào)的工作。

研究報告作者Yeonwoo Jang與牛津大學(xué)(University of Oxford)統(tǒng)計系研究人員表示，此CNN模型不僅可透過傳遞高準(zhǔn)確度的實時與自動化預(yù)測來提高眼底偏側(cè)分類的效率，還可透過呈現(xiàn)判讀區(qū)域以進行不確定性的決策和估計，為臨床醫(yī)師提供自動化系統(tǒng)和更具前瞻性的方法。

該團隊的模型使用了25,911張圖象以進行訓(xùn)練和測試。其中，以黃斑部為中心的圖象約占了43.4%，上眼底和鼻側(cè)視網(wǎng)膜的眼底圖象則占約28.3%。研究結(jié)果顯示，CNN模型的平均精確度已達到約99%，而這樣的表現(xiàn)水平已與臨床醫(yī)師不相上下。

在測試新技術(shù)之前，研究團隊還利用了活化圖象(acTIvaTIon maps)，使團隊在做出眼底側(cè)邊分類決策時，可將神經(jīng)網(wǎng)絡(luò)使用的重要區(qū)域進行可視化。研究小組發(fā)現(xiàn)，活化圖象顯示出了可用來幫助做出決策的視神經(jīng)盤和周圍血管，而這也正是臨床醫(yī)師在圖象分類過程中所使用的兩大相同決策因素。

該CNN模型還能夠針對那些已發(fā)現(xiàn)被錯誤分類圖象所生成的決策來進行不確定性的分析工作。由于那些被錯誤分類的圖象本身具備了更高度的不確定性，因此絕大多數(shù)都是無法使用的。

研究團隊相信，訊息區(qū)域的可視化、不確定性的估算和預(yù)測結(jié)果的呈現(xiàn)，將有助于增強神經(jīng)網(wǎng)絡(luò)模型的可解釋性。如此一來，臨床醫(yī)生便得以藉由使用自動分類系統(tǒng)而進一步受益。