谷歌的人工智能已经比人类更好地掌握了古老的围棋、学会了识别人脸和口语、能帮你在网络中智能地筛选答案、甚至还能将你说的话翻译成上百种语言。而除了玩游戏和提供更便捷的智能手机应用之外，谷歌的人工智能还能做一些更为严肃的事，比如疾病诊断。实际上，谷歌已经严肃起来了。昨天，谷歌研究者在其 Research 博客上更新了一篇文章，介绍了他们在研究自动识别糖尿病性视网膜病变（diabetic retinopathy）上的最新进展，相关论文已经发表在美国医学协会杂志（Journal of the American Medical Association）上。

　　糖尿病性视网膜病变（diabetic retinopathy，以下简称 DR）是现在增长最快的致盲病因，全世界大概有 4.15 亿糖尿病患者存在失明风险。如果发现得早，这个疾病是可被治愈的；如果发现得晚，它就可能会导致不可逆转的失明。不幸的是，世界上很多糖尿病高发地区还缺乏有能力检测这种疾病的医学专家。我们相信机器学习能够帮助医生检查有需要的病人，尤其是那些尚未得到足够医疗服务的人群。

　　几年前，我们中一些人开始思考能不能使用谷歌的技术来改进 DR 的筛选过程，特别是能否借助机器学习和计算机视觉领域的最新进展来做到这一点。在今天发表于 JAMA 的论文《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）》中，我们提出了一种可以解读视网膜照片中 DR 发病迹象的深度学习算法，这有望能帮助资源有限地区的医生正确地筛选出更多的病人。

　　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）。

　　通过与印度和美国的医生紧密地合作，我们创建了一个包含 128,000 张图像的开发数据集，其中每一张图像都得到了 54 位眼科医生中 3 到 7 位医生的评估。这个数据集被用来训练了一个可以检测可诱发糖尿病性视网膜病变的病症的深度神经网络。然后我们在两个互相独立的包含大约 12,000 张图像的临床验证集上测试了该算法的表现，该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。为验证集所选择的眼科医生的意见与训练集原来的 54 位医生的意见表现出了高度的一致性。

　　图 2显示了算法和眼科医生在包含9,963张图像的验证集上的判断表现。

　　图 2. 算法性能（黑色曲线）和八位眼科医生（彩色圆点）在由9963个图像组成的验证集上判断病变，即判断是否存在可引起的糖尿病性视网膜病变（中度或更严重的糖尿病性视网膜病变或可疑的糖尿病性黄斑水肿）。图上的黑色方块对应在高灵敏度和高特异性操作点中，算法的灵敏度和特异性。

　　结果显示我们算法的表现和眼科医师的诊断是处于同等水平的，例如，在图2中描述的验证集上，算法具有0.95的F-Score值（结合灵敏度和特异性的度量，最大值为1），算法的表现稍微高于我们所咨询的8个眼科医生F-Score中位数值（0.91）。

　　这些是十分令人振奋的结果，但仍然我们还有很多要做。首先，虽然使用常规质量度量评价我们的算法结果是鼓舞人心的，但我们正在与视网膜专家合作去定义更强健能量化临床表现的参考标准。此外，我们在论文中证明解释2D眼底照片只是诊断糖尿病性视网膜病变多步骤过程的一部分。在某些情况下，医生需要使用3D成像技术，光学相干断层扫描（OCT），详细检查视网膜的各个层。将机器学习应用于这种3D成像模式已经在DeepMind的带领下进行了。在将来，这两种互补方法可以一起使用，以帮助医生诊断更多的眼科疾病。

　　高精度自动糖尿病性视网膜病变（DR）扫描方法有很大的潜力，因为它能帮助医生评估更多的患者，并且迅速地将需要帮助的人匹配给专科医生。我们正在与医生、研究员一起研究世界各地的扫描全过程，并希望我们可以用最有利的方式将我们的方法整合到临床工作流程中。最后，我们正与美国食品药品监督管理局（FDA）还有其他监管机构合作，以进一步评估这些技术在临床中的表现。

　　考虑到最近深度学习有许多进展，我们希望我们的研究只是众多激发兴趣的例子之一，希望它证明机器学习能够更广泛地帮助解决医疗成像，甚至是更广泛的医疗保健问题。