中国研究再登Cell封面，AI影像诊断精准度堪比顶尖医师(2)
•开发了一种使用迁移学习技术的人工智能系统
•该系统有效地将图像分类为黄斑变性和糖尿病性视网膜病变
•该系统还准确地区分出胸部X光片上的细菌性和病毒性肺炎
•本研究对于生物医学成像的广泛应用具有潜力
一句话总结：
基于图像的深度学习使用视网膜OCT图像对黄斑变性和糖尿病性视网膜病变进行分类，并可能在生物医学图像解读和医疗决策制定中实现广泛应用。
基于AI的卷积神经网络检查超过20万张OCT
在眼科治疗中，视网膜OCT（光学相干断层扫描）成像技术是最常被使用的诊断技术之一，每年的使用总数超过3000万次。视网膜OCT使用光来捕获视网膜的高分辨率体内光学截面，该截面可以形成活体视网膜组织的三维体积图像。
通过获取视网膜组织的高分辨率图像，医生们能够精准地对年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿等致盲性眼病作出诊断，并提供治疗方案。
在美国，有将近1000万人患有AMD，每年有超过20万人形成病理性脉络膜新生血管（choroidal neovas- cularization），它能够引发AMD。另外，近75万名40岁以上的人患有糖尿病性黄斑水肿，这是一种能够影响视力的糖尿病性视网膜病变。由于人口老龄化加快和全球糖尿病的流行，这些疾病的流行率可能会随着时间的推移而进一步增加。
幸运的是，抗血管内皮生长因子（anti-VEGF）药物的出现和广泛应用已经彻底改变了渗出性视网膜疾病的治疗方法，使患者保持相当的视力和生活质量。OCT对指导抗血管内皮生长因子治疗的应用至关重要，它可以在这些病症中提供清晰的视网膜病理学截面图（下图），从而可以观察到单个视网膜层，这对于人类进行临床检查起到帮助作用。
AI系统30秒内确定是否接受治疗，准确度达到95％以上
张康教授团队的迁移学习算法的主要应用是在视网膜OCT图像的诊断中。
“人工智能具有巨大的潜力，可以通过对大量数据进行分析和分类，从而彻底改变疾病的诊断和管理。如此大量的数据对于人类专家来说很难分析，但AI可以做得非常快。”张康教授说。
目前AI系统的计算方法是耗时费力且昂贵的，并且需要使用数百万张图像来训练AI系统。在他们的新论文中，张康和他的同事使用基于AI的卷积神经网络来检查超过20万张OCT（光学相干断层扫描）眼部扫描图像。
研究人员采用迁移学习的技术。例如，一个优化用于识别眼睛的离散解剖结构（例如视网膜、角膜或视神经）的AI神经网络可以用于检查全眼图像，更快速和有效地识别和评估整个眼球。这使得AI系统有效学习所需的数据集相比传统方法更小。
上图描绘了在有1000种图像类别的ImageNet数据集上训练的卷积神经网络如何适应一个全新的OCT图像数据集，显著提高了准确性并缩短了训练时间。局部连接（卷积）层被冻结并迁移到一个新的网络上，而最终的完全连接层被重新创建并重新训练。
研究人员接下来加入了“遮挡测试”。在遮挡测试中，计算机识别每幅图像中其“认为” 发生病变的部位，也即它得出结论的基础。“机器学习往往就像一个黑箱，我们不知道系统里面到底发生了什么，”张康教授说， “通过遮挡测试，计算机可以告诉我们它得出诊断所依据的图像中的位置，这样我们就可以找出系统为什么会得出这个结果。 这使得系统更加透明，并提高了我们对诊断的信任。”
这个研究集中在黄斑变性和糖尿病性黄斑水肿中，这是导致不可逆失明的两种常见原因。但是，如果提前发现这两种情况，便可以进行治疗。研究人员将机器的诊断结果与六位眼科医生的诊断结果进行了比较，比较结果如下：
