Dyb læring til påvisning af glaukom

Glaukom er den næststørste årsag til blindhed i verden, påvirker cirka 2,7 millioner mennesker alene i USA. Det er et komplekst sæt sygdomme, og hvis den ikke behandles, kan føre til blindhed. Det er et særligt stort problem i Australien, hvor kun 50 procent af alle mennesker, der har det, faktisk får diagnosen og modtager den behandling, de har brug for.

Som en del af et team af forskere fra IBM og New York University, mine kolleger og jeg ser på nye måder AI kan bruges til at hjælpe øjenlæger og optikere med at udnytte øjenbilleder yderligere, og muligvis bidrage til at fremskynde processen med at detektere glaukom i billeder. I en nylig artikel, vi beskriver en ny ramme for dyb læring, der detekterer glaukom direkte fra rå optisk kohærens tomografisk (OCT) billeddannelse, en metode, der bruger lysbølger til at tage tværsnitsbilleder af nethinden. Denne metode opnåede en nøjagtighed på 94 procent, uden yderligere segmentering eller skrubning af dataene, hvilket normalt er tidskrævende.

I øjeblikket, DrDeramus diagnosticeres ved hjælp af en række tests, såsom intraokulære trykmålinger og visuelle feltprøver, samt fundus- og OLT -billeddannelse. OLT giver en effektiv måde at visualisere og kvantificere strukturer i øjet, nemlig retinal nervefiberlag (RNFL), som ændrer sig med sygdommens progression.

Selvom denne fremgangsmåde fungerer godt, det kræver en yderligere proces at kvantificere RNFL i OLT -billeder. Disse teknikker renser typisk også inputdataene på en række forskellige måder, såsom at vende alle øjne til den samme retning (venstre eller højre) for at reducere variationen i dataene for at forbedre klassifikatorernes ydeevne. Vores tilgang fjerner disse yderligere trin, hvilket indikerer, at disse potentielt tidskrævende stadier ikke er nødvendige til påvisning af glaukom.

Ultimativt, når det normaliseres med en falsk positiv sats, i en kohorte på 624 forsøgspersoner (217 raske og 432 glaukompatienter), vores nye tilgang, grundlagt i dyb læring, detekterer korrekt glaukomøse øjne i 94 procent af tilfældene, mens tidligere nævnte teknikker kun fandt dette i 86 procent af tilfældene. Vi mener, at denne forbedrede nøjagtighed er et resultat af eliminering af fejl i den automatiske segmentering af strukturer i billeder samt inkludering af områder af billedet, der i øjeblikket ikke bruges klinisk til dette formål.

Derudover i modsætning til den nuværende tendens inden for AI -forskning, der bruger større og dybere netværk, netværket, vi brugte, var et lille 5-lags netværk, fordi medicinske data ikke er så let tilgængelige på grund af deres fortrolige karakter. Denne mangel på data gør brugen af ​​store netværk upraktisk i mange medicinske applikationer. Selv inden for forskning, vi ser nogle gange, at "less is more, "og uddannelsen af ​​disse algoritmer på mindre netværk giver dem mulighed for at køre med større effektivitet.

Dette er kun en facet af vores forskning i anvendelse af AI til øjet. I et nyligt annonceret nyt samarbejde, IBM Research og George &Matilda (G&M) vil udnytte G &M's robuste datasæt af anonyme kliniske data og billeddannelsesundersøgelser til at undersøge metoder til at bruge deep learning -modeller og billeddannelsesanalyser til at understøtte klinikere i identifikation og påvisning af øjensygdom - herunder glaukom - i billeder . Forskere vil også undersøge de potentielle biomarkører for glaukom, som kunne hjælpe med en bedre forståelse af sygdomsprogression.

Denne historie er genudgivet med tilladelse fra IBM Research. Læs den originale historie her.