深度学习模型，为诊断糖尿病视网膜病变带来福音

Posted 2021-04-20 谷歌开发者

文 / Rory Sayres 博士和 Jonathan Krause 博士，Google AI 医疗保健团队

两年前，我们宣布了在糖尿病视网膜病变 (DR) 深度学习模型训练方面取得的开创性成果，DR 是糖尿病的并发症之一，也是一种发展速度很快的病症，会导致视力丧失。基于这项研究，我们开始着手将我们的技术应用于改善全球的健康结果。同时，我们继续着力改进模型的性能、可解释性，以及在临床环境中的适用性。今天，我们要分享针对这些目标的研究成果，还要宣布在泰国的新合作伙伴。

使用高质量标签改进模型性能

DR 深度学习模型的性能至关重要，特别是在微小错误可能造成误诊的情况下。今年早些时候，我们在《眼科学》("Ophthalmology") 期刊上发表了一篇论文，述及我们如何通过 1) 转为使用更精细的 5 分分级量表（与之前的 2 类系统相比）和 2) 综合视网膜专家小组的判断来改进我们的模型。在判断期间，一组视网膜专家会就任何存在分歧的案例进行讨论，直到所有专家都在最终等级上达成一致。相比于单纯采用多数表决，这种分歧解决方法更加准确，并且可以识别出细微发现，例如微动脉瘤。 

为了提高判断过程的效率，我们精心选择了一个小型图像子集 (0.22%) 作为优化集，并根据这一更加准确的参考标准优化模型超参数，从而大幅提升模型性能。当我们随后使用判定参考标准衡量测试图像集的一致率时，单个视网膜专家、眼科医生和算法的 kappa 评分（一种一致性衡量方法，评分范围在 0 [随机] 到 1 [完全一致] 之间）分别是 0.82 到 0.91、0.80 到 0.84 和 0.84。 

让模型更加透明

在部署此技术时，需要采取适当的步骤来确保模型透明可信，这点非常重要。为此，我们一直在探索能够解释模型预测过程的方法，以实现让 DR 模型成为更好的诊断工具和医生助手的目标。 

在我们的最近研究（在《眼科学》上发表）中，我们论证了一些方法，可以通过这些方法向眼科医生展示对深度学习算法的解释，从而提升他们对糖尿病性眼病分级的准确度和信心。通过使用我们在早期研究中用高质量标签训练和验证模型的结果，我们为一般眼科医生生成了不同形式的潜在辅助手段。我们为医生提供了针对不同 DR 严重程度的算法预测评分和热图，图中突出显示了最能推动算法作出此预测的图像区域。我们发现，使用此辅助手段后，医生的诊断准确度有显著提升，而且诊断信心也有增强。 

我们发现有明确证据显示，模型预测可以帮助医生捕捉到他们原本可能遗漏的病理现象。在下方的视网膜图片中，我们的判断小组发现了威胁视力的 DR 的迹象。在未采用辅助手段进行分级的情况下，3 位医生中有 2 位未能发现这一迹象，但在他们看到模型预测（准确检测到了病理现象）后进行分级时，3 位医生都捕捉到了这一迹象。

左图是眼科医生判断小组评为患有增生性（威胁视力的）DR 的患者眼底图像（实况）。右上角是深度学习模型的预测评分（“P”= 增生性，最严重的 DR 类型）示意图。右下角是未采用辅助手段的医生给出的分级（“未经协助”）和看到模型预测结果的医生给出的分级（“仅看到分级”）

我们还发现有证据表明，医生可以与模型协同工作，获得比二者单独工作时更高的准确度。在下方的视网膜图片中，我们的视网膜专家判断小组认为该患者患有中度 DR。在未采用辅助手段的情况下，三分之二的眼科医师在分级时将此图像标记为未患有 DR。在现实环境中，这种情况可能会使病人错过转诊到专科医生处治疗的机会。

左图是由眼科医生判断小组分级为患有中度 (“Mo”) DR 的患者视网膜眼底图像（实况）。右上角是模型预测评分的示意图（“N”= 未患有 DR，“MI”= 轻度 DR，“Mo”= 中度 DR）。右下角是未采用辅助手段的医生给出的评分（“未经协助”）和看到模型预测结果的医生给出的分级（“仅看到分级”）

在这个特殊案例中，我们的模型还指出了该患者未患有 DR 的证据。但当眼科医生看到模型预测时，三位医生全都给出了正确答案。由于此模型发现了一些中度 DR 的证据（虽然不是最高评分），这可能促使医生在检查特殊案例时更加仔细，以便发现他们原本可能遗漏的病理现象。我们非常高兴能够开发出如此有效的辅助手段，这是人类和机器学习技术的相互补充。

全球推广的新合作伙伴

借助筛查项目和与 Verily 的合作，我们为在现实临床环境中使用这些高精度系统奠定了坚实的基础。通过与印度 Aravind 眼科医院和慈善机构 Sankara Nethralaya 的医生一起工作，再加上现在与泰国公共卫生部医疗服务部附属 Rajavithi 医院新建立的合作伙伴关系，我们正在与参加广泛筛查项目的患者一起验证模型性能。考虑到我们的模型在真正的患者群体中取得的积极成果，现在我们要开始在筛查项目中试用此模型。期望 2019 年会是非常忙碌的一年！

更多 AI 相关阅读：

•