深度学习的应用——检测糖尿病型视网膜症

  近日,谷歌在《美国医学会杂志》发表题为 “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic RetinoPathy in Retinal Fundus Photographs”的论文,正是谷歌研究人员提出的一种基于深度学习的算法,该算法能够在视网膜造影中对糖尿病视网膜病变的迹象做出解释,帮助医生克服资源短缺资困难,为更多的病人做出更专业的诊断。 论文:用于检测视网膜眼底照片中糖尿病性视网膜病变的深度学习算法的开发和验证   《Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs》

摘要:

重要性:深度学习是指能让算法通过学习能展现出预期行为的大量样本以进行自我编程的一系列方法,这让我们可以不再需要特定一些明确的规则。这些方法在医学成像上的应用还需要进一步的评估和验证。 目标:为了应用深度学习来创建一种能通过视网膜眼底照片自动检测糖尿病性视网膜病和糖尿病性黄斑水肿的算法。 设计和配置:我们使用了一种被称为深度卷积神经网络的专为图像分类而优化过的神经网络模型,该网络使用 128175 张视网膜图像的数据集进行了训练,其中的每一张图像都针对糖尿病性视网膜病变、糖尿病性黄斑水肿和图像等级进行了 3 到 7 次评估。所得到的算法使用 2016 年 1 月和 2 月的两个互相独立的数据集进行了验证,其中的每张图像测试所参考的标准是一个 7 或 8 人的美国认证眼科医生中大多数人的意见。 主要结果和措施:这种用于检测可发病的糖尿病性视网膜病(RDR/referable diabetic retinopathy,即中度和更糟糕的糖尿病性视网膜病)、可发病的糖尿病性黄斑水肿或同时两者的算法的灵敏度(sensitivity)和特异性(specificity)是基于眼科专家小组中大多数决策的参考标准。该算法在为两个开发集所选择的 2 个操作点上进行了评估,其中一个是为高特异性选择的,另一个则是为高灵敏度选择的。   **结果:**EyePACS-1 数据集包含了来自 4997 位病人(平均年龄 54.4 岁)的 9963 张图像;其中 62.2% 的女性;普遍是 RDR,683/8878 完全可分级的图像(占 7.8%)。Messidor-2 数据集有来自 874 位病人(平均年龄 57.6 岁)的 1748 ;42.6% 女性;普遍是 RDR,254/1745完全可分级的图像(占 14.6%)。为了检测 RDR,该算法在 EyePACS-1 上的受试者操作曲线( ROC 曲线)下的面积为 0.991(95% CI, 0.988-0.993),在 Messidor-2 上的 ROC 曲线下的面积为 0.990 (95% CI, 0.986-0.995)。使用第一个高特异性的操作切入点(operating cut point),对于 EyePACS-1 ,灵敏度为 90.3% (95% CI, 87.5%-92.7%)、特异性为 98.1% (95% CI, 97.8%-98.5%)。对于 Messidor-2,灵敏度为 87.0% (95% CI, 81.1%-91.0%)、特异性为 98.5% (95% CI, 97.7%-99.1%)。使用开发集第二个高灵敏度的操作点,对于 EyePACS-1,灵敏度为 97.5% 而特异性为 93.4%;对于 Messidor-2,灵敏度为 96.1% 而特异性为 93.9%。 结论与相关:在这项成人的糖尿病性视网膜眼底照片的评估中,基于深机器学习的算法对可疑糖尿病性视网膜病变检测时具有高灵敏度和特异性。 这将确认此算法应用在临床中的可行性,并确定与目前的眼科评估相比是否使用该算法可以改善治疗和诊断结果。   检测糖尿病性眼病的一种最常见的方法是让专科医生来检查眼后部的图像(图 1),然后再评估疾病是否存在及其严重程度。其中疾病的严重程度是由病变(如微动脉瘤、出血、硬渗出物等)的类型所确定的,这些症状表明了眼部之中的出血和液体渗出情况。然而解读这些照片需要经过专门的训练,而在世界上许多地区,还没有足够多合格的评估者能够筛选出存在发病风险的每个人。

  图 1:为了筛选 DR 而拍摄的视网膜眼底照片样本。左侧的图像是健康的视网膜(A),而右边的图像则是可引起糖尿病性视网膜病变的视网膜(B),可以看到存在出血状况(红点)。

  论文下载:http://jamanetwork.com/journals/jama/fullarticle/2588763

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏计算机视觉

机器学习入门书解读-西瓜书以及习题,刷书第一遍开始2018-04-01

今天看了绪论,大概简要介绍了下基本术语。 就想先总结下,首先,这里是地球上,地球上所有人就叫一个数据集,其中有一个我,我就是个样本。在地球上每个人是不同的,暂...

5996
来自专栏大数据挖掘DT机器学习

【接上篇】从白富美相亲看特征预处理与选择(下)

作者:龙心尘 &&寒小阳 出处: http://blog.csdn.net/han_xiaoyang/article/details/50503115 ...

3024
来自专栏新智元

【科学杂志】贝叶斯模型颠覆深度学习?概念大于实际

粗略看了一下Science那篇论文 ---Human-level concept learning through probabilistic program ...

3535
来自专栏用户2442861的专栏

结合实例与代码谈数字图像处理都研究什么?

图像处理(以及机器视觉)在学校里是一个很大的研究方向,很多研究生、博士生都在导师的带领下从事着这方面的研究。另外,就工作而言,也确实有很多这方面的岗位和机会虚...

501
来自专栏GAN&CV

GAN应用汇总

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_25737169/article/d...

1424
来自专栏AI2ML人工智能to机器学习

易图秒懂の深度学习诞生 问题篇

认知科学改写了一帮搞物理的人在做神经网络的局面(参考 ”易图秒懂の连接主义诞生“), 从此以心理学大师Estes的学生,Rumelhart为代表的连接主义的早...

491
来自专栏数据的力量

深度学习(Deep Learning) 学习资料

1196
来自专栏机器之心

深度 | 神奇的神经机器翻译:从发展脉络到未来前景(附论文资源)

机器之心(海外)原创 作者:Mos Zhang 参与:Panda 机器翻译(MT)是借机器之力「自动地将一种自然语言文本(源语言)翻译成另一种自然语言文本(目标...

2535
来自专栏机器学习算法全栈工程师

一些fancy的GAN应用

GAN全称是Generator adversarial networks,中文是生成对抗网络,是一种生成式模型,由good fellow在14年提出,近四年来被...

821
来自专栏媒矿工厂

HDR关键技术:光学、视觉与光电转换曲线

本系列的前作当中介绍了HDR技术的相关技术与标准,本文将从更基础的知识点出发,重点介绍HDR技术的两大关键基础-亮度与颜色中的前者。

1133

扫码关注云+社区