正值秋季体育赛事之际，研究人员开发了一个由人工智能 (AI) 驱动的应用程序，可以直接在球场上检测脑震荡。
尽管占据了最近的头条新闻，但橄榄球运动员并不是唯一存在风险的球员。 女子足球运动员患脑震荡的人均概率更高。篮球、摔跤、排球、长曲棍球等等，几乎在任何体育运动中，运动员都会受到脑部损伤。
仅仅在美国，就有 4500 万儿童参与体育运动，其中每年有 100 万至 200 万人患有脑震荡。大量广泛宣传的有关专业和业余橄榄球运动员的研究都发现，多次脑震荡与慢性创伤性脑部病变（一种神经退化性疾病）有关。脑损伤还会导致认知问题，有时甚至是死亡。
尽管存在这些危害，但一直没有行之有效的方式可以在医院外诊断脑震荡，华盛顿大学五年级博士生 Alex Mariakakis 说。
因此，Mariakakis 发明了一种方法。通过与华盛顿大学研究人员和临床医生团队合作，他利用 GPU 加速深度学习创建了一个应用程序，只需一个智能手机摄像头以及 3D 打印纸箱即可检测脑震荡以及其他创伤性脑损伤。
“初高中球队很少会在球场边线安排训练有素的临床医生，”他说。“通常是志愿者家长或教练做出判断。测试也比较主观，很容易漏掉病例。”
眼见为实
如果出现脑震荡，大脑很容易在颅骨内受到挤压，这样会损伤控制眼睛对光线做出反应的相关区域。这个名为 PupilScreen 的应用程序可以评估瞳孔对光线的反应，效果几乎可以与瞳孔检测仪（仅在临床治疗中使用的昂贵设备）一较高下。
PupilScreen 利用智能手机的闪光灯模拟患者的眼睛，并利用视频摄像头录制时长三秒钟的视频。为了开发这个应用程序，该团队训练了一个神经网络来确定每个视频帧中有哪些像素属于瞳孔，并测量这些帧中瞳孔大小的变化。
在对 42 名患有或者未患有创伤性脑损伤的患者进行的初步研究中，该应用程序几乎能像瞳孔检测仪一样跟踪瞳孔大小。当他们对六名患者测试其原型时，医生仅使用这个应用程序的输出便可以做出几乎完全准确的诊断。
该团队借助 CUDA 并行计算平台、我们的 GeForce GTX TITAN X GPU 和 cuDNN 以及 Python TensorFlow 深度学习框架来加快训练速度。同时，他们还使用 TITAN X 来部署神经网络（即我们所谓的推理过程）。（请参阅“深度学习训练和推理之间有何区别？”）
现有工具缺乏
长期以来，观察人眼一直都是快速评估脑损伤的方法。负责检测脑震荡的医学专家和其他人通常使用特殊的小手电筒来观察人眼对光线的反应。
但是小手电筒测试并没有标准化，研究人员说。它还需要某些技能，因此，结果会因执行测试的个人的专业知识不同而异。
Mariakakis 说，如果一个人处于无意识状态，也不能使用其他常用的脑震荡检测工具，并且必须与赛季开始时进行的基准测试作比较。但并不是所有儿童都进行了基准测试，并且有些人也在质疑测试的可靠性。
在球场上使用 PupilScreen
最初的 PupilScreen 设计需要用户将智能手机插入到特制的纸箱中，以便研究人员控制手机和运动员面部之间的距离，以及射入眼睛的光量。
这样会使得瞳孔测量更加精确。但使用纸箱会让设备难以使用，在对无意识的人进行测试时尤其困难，因此，团队舍弃了这种设计。尽管新设计的精确度可能会稍低一些，但研究人员说，这与小手电筒相比已经取得了巨大进步，因为这种设计是量化测试，而非主观测试。
“我们希望减轻家长的负担，转用手机来完成这项任务，”Mariakakis 说。
今年秋季进行的更为广泛的临床研究将会把 PupilScreen 交给医生和急救医务人员，以便收集更多数据，了解瞳孔反应的哪些方面对确定脑震荡的模棱两可情况更有帮助。
研究人员希望在两年内推出商业版 PupilScreen。