青光眼是世界上導致失明的第二大原因。僅在美國，這一病癥就影響了約270萬人。它是一種復雜的疾病，如果不及時治療可能導致失明。這在澳大利亞也是個特別嚴重的問題，其中只有50％的人被確診為青光眼并接受相應的治療。

目前，IBM和紐約大學科學家團隊正在研究，可以利用深度學習來幫助眼科醫(yī)生和驗光師進一步檢測眼部圖像的新方法，這一方法也可有助于加快在圖像中檢測青光眼的過程。

在最近的一篇論文中，研究人員詳細介紹了一種新的深度學習框架，該框架直接從原始光學相干斷層掃描（OCT）成像中檢測青光眼，這種方法利用的是光波拍攝視網膜的橫截面圖像。該方法達到了94％的準確率，且無需對數據進行任何額外的分割或清理——通常在傳統(tǒng)的方法中這一步驟通常非常耗時。

青光眼（頂行）和健康眼（底行）中網絡檢測區(qū)域的可視化

現在，人們使用各種測試方法來診斷青光眼，例如眼壓測量和視野測試、眼底和OCT成像。但OCT提供了一種有效的方法來可視化和量化眼睛中的結構，即視網膜神經纖維層（RNFL），它隨著疾病的進展而變化。

雖然這種方法效果良好，但它需要額外的過程來量化OCT圖像中的視網膜神經纖維層。這些技術通常需要配合各種方式來對輸入數據進行處理，例如將所有眼睛圖片翻轉到相同的方向（左或右）以減少數據的可變性，從而改善分類器的性能。而研究人員新提出的方法消除了這些額外的步驟，保留了檢測中最重要的部分。

在624名受試者（217名健康受試者和432名青光眼患者）中，研究人員建立了利用深度學習進行檢測的新方法，準確地檢測出了94％的青光眼患者，而之前提到的技術僅發(fā)現了86%的患者。研究人員表示準確性的提升是由于對圖像中結構自動分割錯誤的消除，以及新方法包含了目前臨床上尚未使用的眼底特征進行了分類。

此外，與目前使用更大更深層網絡的人工智能研究趨勢相反，研究人員使用的網絡是一個小型的5層網絡，這主要是由于醫(yī)療數據由于其隱私性不易獲取。這種數據稀缺使得大型網絡的使用在許多醫(yī)療應用中不切實際。即使在研究中有時也會看到“越少越佳”的特點，此外，在較小的網絡上訓練這些算法可以讓它們更高效地運行。

數據被輸入如下圖所示的卷積神經網絡（CNN）。網絡由5個3D卷積層組成，并使用ReLU激活和批量歸一化，濾波器組大小為32-32-32-32-32，濾波器尺寸為7-5-3-3-3，步幅為2-1-1-1-1。在最后的卷積層之后采用全局平均合并，并利用全連接的softmax輸出層以實現類標簽的預測和類激活圖（CAM）的計算。網絡架構的一個重要方面是選擇3D卷積以允許計算3D類激活圖。卷積神經網絡的5個輸入層沿第一維度（例如，顏色通道）聚合輸入數據。在2D卷積的情況下，所得到的類激活圖將是2D的，且深度信息丟失。因此通過采用3D卷積，這使我們能夠識別光學相干斷層掃描體積內對疾病分類很重要的區(qū)域。

通過隨機超參數探索優(yōu)化了網絡體系結構的各個方面，例如層數、每層濾波器組數、濾波器大小、步幅和批量歸一化的使用；類似于為基于特征的方法執(zhí)行的超參數優(yōu)化。網絡實現的曲線下面積用于選擇最佳網絡。研究人員從網絡架構搜索中排除了最大池化，因為它可以被stride卷積取代。

卷積神經網絡在Keras中實現，Tensorflow作為后端。使用nut-flow/ml進行數據分離、分層和預處理。通過降采樣，每個階段對數據進行分層。通過隨機遮擋、平移、左右眼翻轉、沿著表面軸的小旋轉（±10度）和混合來增強訓練數據。同時研究人員還在沒有任何擴充的情況下訓練了網絡，并報告了相應的曲線下面積。在訓練期間具有最高準確度的曲線下面積的網絡被保存。

這只是IBM目前研究應用人工智能的一個方面。在最近宣布的新合作中，IBM Research和George＆Matilda (G＆M) 將利用G＆M強大的匿名臨床數據和成像研究數據集,來探索使用深度學習模型和成像分析的方法，以支持臨床醫(yī)生在圖像中識別和檢測眼部疾病——包括青光眼。研究人員還將研究青光眼的潛在生物標志物，這有助于更好地了解疾病進展。