继DeepMind发力眼疾后，IBM的认知计算能诊断95%的早期青光眼

对 DeepMind 比较熟悉的读者想必都知道，去年凭借 AlphaGo 战胜李世石后，DeepMind 开始发力医疗领域，与英国国家医疗服务体系（NHS）进行了二度合作，并和 Moorfields 眼科医院一同开发识别视觉疾病的机器学习系统。

当时合作的项目主要是糖尿病视网膜病变和因衰老导致的黄斑病变(AMD)，通过获取医疗机构的眼部医学影像，DeepMind 将利用机器学习做出判断。而日前，IBM 也开始发力进军眼部医学诊断，这一次它们的目标是——青光眼。

青光眼已经成为全球致盲的第二大杀手，由于病变周期长，用户的视觉实际上是慢慢减弱的，而且不到晚期一般难以确诊。青光眼之所以被称为「悄没声的光明小偷」，也是这个原因。据统计，有一半的用户都是在未经检查的情况下失明的，甚至，他们都还没来得及意识到自己得了青光眼。

虽然青光眼并不是无药可医，但早发现早治疗的方针不论对于什么疾病都同样适用。IBM 研究院密切关注这一疾病。他们发现的第一个问题在于，像青光眼、糖尿病视网膜或是老年性黄斑变性所引致的失明，其实都是可以预防（或是减缓）的。如果大部分患者能够及时发现眼部疾病，那么不仅会对患者的生活状态产生重要影响，也能避免不必要的经济负担。

而据雷锋网了解，IBM 研究院采用了 Watson 的认知计算处理眼部图像并进行医学分析，在未来将惠及所有患者。

图上显示的是四张眼球的背面图，Watson 检测视杯及视盘的大小。这一指标显示可能患者得了青光眼。

IBM 研究院存在的另一个挑战在于临床医师有限的经验可能很难发现视网膜图像的细微变化。对那些偏远地区的潜在患者而言，昂贵的交通及看病难也给他们带来了不便。

在 2015 年，驻澳大利亚 IBM 研究实验室的科学家们就致力于通过深度学习分析 88000 份源于 EyePACS（一家全球性的眼球相关影像及医学信息共享平台）的视网膜图像。机器通过训练眼球的解剖图像，已经学习了如何识别眼球的一些可能异常，以诊断像青光眼一样难以察觉的眼疾。

近日，IBM 研究院发布了相关的研究结果，在视杯及视盘的检测上，机器达到了 95% 的准确度，并且会向疑似得了眼疾的患者建议做二度检查。眼疾分析的另一个关键点在于机器在扫描视网膜图像后能进行自动筛选。机器目前能达到 94% 的正确率，而这对于减轻验光师及眼科医生的人工负担大有裨益。

雷锋网一直密切关注机器学习在医疗领域的应用，不论是领头的DeepMind及IBM Watson，还是其它的国内外创业公司，我们都希冀机器学习能够在医学影像发挥更大的功用。

via IBM Research，雷锋网编译