在我母亲去世前几年里，她的视力开始因黄斑变性而逐渐减退。由于中央视力模糊，她不得不放弃驾驶执照。起初，她还可以借助更大倍数的放大镜看书，但后来就是这样也做不到了。最终，甚至连认出面孔都困难。
晚期的黄斑变性。
老年性黄斑变性，即 AMD，是导致 50 岁以上美国人视力减退及失明的主要原因。无法治愈。您可以在下图中了解到患有这种疾病的人可能看到的场景 — 两个小男孩拿着球。
“（患有 AMD 的）病人正在遭受痛苦。无论患者看向哪里，视野中心都出现一个模糊区域。”华盛顿大学眼科专家兼助理教授，专门从事视网膜问题研究的 AaronLee 博士说道。
AI 的理想
Lee 相信 AI 不仅有助于 AMD 患者，而且还包括因眼疾导致视力下降的人。
Lee 表示，GPU 加速的深度学习或许可以发现医生错过的疾病迹象，或者可以加快诊断速度，以便医生能够尽快地开始治疗。他已经开发出能够识别 AMD 和黄斑水肿的深度学习算法，黄斑水肿是一种损害中央视觉的疾病。
Lee 说，对于所有医疗领域，眼科学是最适合于从 GPU 加速的深度学习中受益的。眼科医生不仅需要收集训练神经网络所需的大量数据，而且整个领域中的数据都高度标准化。
“令人惊奇的事情”
Lee 和他的团队专注于光学相干断层扫描 (OCT) 测试，测试中利用光波拍摄视网膜的横截面图像。医生们每年完成 500 多万次的 OCT 测试，以诊断 AMD、青光眼和糖尿病视网膜病变等疾病。糖尿病患者的高血糖水平会损伤视网膜中的血管并影响视力。
研究人员将 10 万名患者的 OCT 扫描与他们的电子健康记录相关联，用以创建 AMD 检测算法。他们借助 CUDA 并行计算平台和 NVIDIA GeForce GTX TITAN X GPU 以及由 cuDNN 加速的 Python Caffe 深度学习框架来训练神经网络并识别 AMD 患者，准确率达 93%。
AMD 算法在短短三周内即已完成，这打消了 Lee 对 GPU 加速深度学习优势的怀疑。
他说：“我看到这里正在发生惊奇的事情。”“使用常规计算机体系结构来处理如此大的数据集并训练一个与我们所使用的同样大的神经网络是不可能的。”
AI 与专家的较劲
Lee 对这些结果感到欣喜，因而又添置 8 个 NVIDIA Tesla P100 GPU，用以解决在 OCT 扫描图像中识别视网膜内液体 (IRF) 的难题。当视网膜中的血管受损时会产生 IRF，导致视力下降。医生通过观察 IRF 来确定患者对药物的反应情况以及病情是否正在好转。
研究团队训练神经网络以像素为单位进行 IRF 识别。目前这还是一个依靠医生判断的手动过程。神经网络的算法性能与专家一样表现良好，并且医生可以客观地跟踪患者随时间的改善程度。
Lee 说：“我们很快将可以利用深度学习来发现作为医生容易忽视掉的图像特征。”
AI 带来的前景
但 Lee 认为 AI 拥有更多变革眼科学的机会。
他希望 AI 能更快、更有效地检测眼病，那么医生就可以利用更多的时间治疗患者。AI 有助于解决老龄人口医护人员日益短缺的局面，也可为医生数量不足的地区提供护理服务。并且 AI 可能对 AMD 和其他疾病的病因产生新的认识。
Lee 说：“未来，AI 在如何治疗患者方面将发挥重要作用。”
如需了解详细信息，请参阅 Lee 的研究论文：
- Deep Learning Is Effective for Classifying Normal versus Age-Related Macular Degeneration OCT Images（《深度学习可有效分类正常和老年性黄斑变性 OCT 图像》
- Deep-learning based, automated segmentation of macular edema in optical coherence tomography（《基于深度学习在光学相干断层扫描中自动分割黄斑水肿》）
- Assessment of the need for separate test set and number of medical images necessary for deep learning: a sub-sampling study（《面向深度学习评估独立测试集和医学图像数量需求：一项子抽样研究》）
研究人员在 Github 上开源了他们的研究，地址为 https://github.com/uw-biomedical-ml/oir 和 https://github.com/uw-biomedical-ml/irf-segmenter。
本文的主要图片是黄斑的光学相干断层扫描 (OCT) 图。（由 Ugur Onder Bozkurt 提供，遵循知识共享许可协议。）