哈佛研究人员运用 AI 消除儿童失明症的常见诱因

医生可以防止儿童失明症的最常见诱因之一出现,但前提是医生能检测到该诱因。

这种疾病在医学上称为早产儿视网膜病变(缩写是 ROP),它影响着最幼小和最脆弱的婴儿。这些婴儿是未满 31 周的早产儿,体重低于 2¾ 磅。

如果医生能及早发现 ROP,则可以治疗这种疾病,但是,并没有客观的方法来确定在哪些情况下需要治疗。

Jayashree Kalpathy-Cramer 认为 AI 能改变这种局面。Kalpathy-Cramer 是哈佛医学院和麻省总医院Athinoula A. Martinos 生物医学成像中心的研究人员。她和她的博士后搭档 James Brown 正在开发 GPU 加速的深度学习系统,以自动确定这种疾病的严重性。

“ROP 最主要的一点是,它是可预防的。”她说,“这是深度学习可以真正改变局面的领域。”

标准停滞在上世纪八十年代

发生 ROP 的原因是早产儿的眼睛未完全发育。向视网膜供血的血管在出生前的最后几周快速生长。如果此过程被打断,这些血管可能会停止生长,或生长为它们本不属于的眼睛的一部分。

虽然这种疾病仅影响一小部分早产儿,但它可能会造成终身影响。ROP 通常会自行好转,但如果病情严重,可能会导致失明或眼睛问题(例如斗鸡眼、弱视、青光眼和早期白内障)。

医生在筛查 ROP 时会按严重性顺序来分类(常规、附加性前期和附加性),具体取决于眼睛血管的情况。附加性类别的病情需要治疗。医生将他们在视网膜或其数字影像中看到的情况与专家们在上世纪八十年代选出的标准照片进行比较,以确定 ROP 级别。

毫不奇怪的是,多项研究表明专家们对如何划分这三个类别各持己见。

Kalpathy-Cramer 说道:“我希望我们能利用计算机视觉技术的最新进展在这个领域做得更好。”

自动化诊断

为了做到这一点,Kalpathy-Cramer 通过视网膜病成像和信息学协会(由俄勒冈医科大学的 Michael Chiang 博士领导)获得了包含 6,000 张影像(附带相应的专家诊断意见)的数据集合。Kalpathy-Cramer 和 Brown 使用这些数据来训练深度神经网络,以区分常规、附加性前期和附加性影像。

Kalpathy-Cramer 在位于波士顿的临床数据科学中心(由麻省总医院与布列根和妇女医院运营)工作,她使用 NVIDIA DGX-1 AI 超级计算机cuDNN 加速的不同深度学习框架来开发 ROP 诊断算法。

接下来,她将使用印度的 Aravind 眼科医院以及 Banker 视网膜临床和激光中心提供的大约 100,000 张影像来测试该算法。之后,她打算在印度将该算法作为筛查方法进行试验。


儿童眼科医生使用间接检眼镜检查婴儿有无早产儿视网膜病变 (ROP) 的迹象

在专家奇缺的地方提供专家诊断结果

Kalpathy-Cramer 特别渴望在通常难以找到训练有素的眼科医生的中低收入国家/地区推广她的方法。从长远来看,她希望开发一种廉价的便携式设备,供护士用于初步筛查。

Kalpathy-Cramer 说道:“如果我们开发出卓有成效的算法,我们认为它将能真正发挥作用,在全球扭转可预防性失明症的防治局面。”

Kalpathy-Cramer 提交了一篇论文,论述她如何使用深度学习来自动诊断及预防儿童失明症。通过以下链接可查阅有关她在早期使用计算机视觉技术开展研究的论文:

* 本文中的主要图片和视频由美国国家眼科研究所和美国国立卫生研究院提供。

Similar Stories