研究审查了利用深机学习检测糖尿病视网膜病变

在评估来自糖尿病患者的成人视网膜照片中，根据在线发布的一项研究贾马。

在糖尿病的个体中，糖尿病视网膜病变的患病率约为美国约29％。大多数指导方针向那些无视网膜病或轻度糖尿病视网膜病变和6个月重复检查的人建议年筛查，以适应中度糖尿病视网膜病变。视网膜摄影与手动解释是一种广泛接受的糖尿病视网膜病变的筛查工具。

自动化糖尿病视网膜病变具有潜在的好处，例如提高筛查计划的效率和覆盖范围;减少访问的障碍;通过提供早期检测和治疗来改善患者结果。最大化自动评分的临床效用，算法需要检测可转染糖尿病视网膜病变。机器学习（专注于教学机器的计算机科学中的学科）已经利用了各种分类任务，包括糖尿病视网膜病变的自动分类。然而，大部分工作都集中在“特征 - 工程”上，这涉及计算专家指定的明确特征，导致算法设计用于检测特定病变或预测任何水平糖尿病视网膜病变水平的存在。深度学习是一种机器学习技术，其避免了这种工程，并允许算法通过直接从图像直接学习最预测的特征来编程本身，给出了一个大数据集的标记示例，除去了明确地指定规则的需要。这些方法在医学成像中的应用需要进一步评估和验证。

在本研究中，百合彭，M.D.，Ph.D.，谷歌公司，山景，加利福尼亚州山景。及其同事深度学习为视网膜眼底（眼球内部衬里，包括视网膜，光盘和黄斑）的自动检测糖尿病视网膜病变和糖尿病黄斑水肿算法。A specific type of network optimized for image classification was trained using a data set of 128,175 retinal images, which were graded 3 to 7 times for diabetic retinopathy, diabetic macular edema, and image gradability by a panel of 54 U.S. licensed ophthalmologists and ophthalmology senior residents between May and December 2015. The resultant algorithm was validated using 2 separate data sets (EyePACS-1, Messidor-2), both graded by at least 7 U.S. board-certified ophthalmologists.

眼影-1数据集由4,997名患者的9,963个图像组成（可称为糖尿病视网膜病变患病率[RDR;定义为中等和更差的糖尿病视网膜病，可称为糖尿病性疗效水肿，或两者），8％的完全渐变图像; Messidor-2数据集有1,748个图像从874名患者（RDR的患病率，15％的完全渐变图像）。使用算法的使用高敏感性（97.5％[eyepacs-1]和96％[Messidor-2]）和特异性（93％分别检测可参照糖尿病视网膜病变的94％。

“这些结果表明，使用大数据集和不必指定基于病变的特征，可以训练深神经网络，以识别糖尿病视网膜病变或糖尿病黄斑水肿在具有高灵敏度和高特异性的视网膜眼底图像中。这种自动化系统检测糖尿病性视网膜病变提供了几个优点，包括解释的一致性（因为机器每次都会对特定图像进行相同的预测），高灵敏度作者写道，特异性，近于瞬间报告，“作者写道。

“进一步的研究是确定在临床环境中应用该算法的可行性，并确定算法是否可以导致与目前的眼科评估相比改善护理和结果。”

---

---