對 deepmind 比較熟悉的讀者想必都知道，去年憑借 alphago 戰勝李世石後，deepmind 開始發力醫療領域，與英國國家醫療服務體系（nhs）進行了二度合作，并和 moorfields 眼科醫院一同開發識别視覺疾病的機器學習系統。
當時合作的項目主要是糖尿病視網膜病變和因衰老導緻的黃斑病變(amd)，通過擷取醫療機構的眼部醫學影像，deepmind 将利用機器學習做出判斷。而日前，ibm 也開始發力進軍眼部醫學診斷，這一次它們的目标是——青光眼。
青光眼已經成為全球緻盲的第二大殺手，由于病變周期長，使用者的視覺實際上是慢慢減弱的，而且不到晚期一般難以确診。青光眼之是以被稱為「悄沒聲的光明小偷」，也是這個原因。據統計，有一半的使用者都是在未經檢查的情況下失明的，甚至，他們都還沒來得及意識到自己得了青光眼。
雖然青光眼并不是無藥可醫，但早發現早治療的方針不論對于什麼疾病都同樣适用。ibm
研究院密切關注這一疾病。他們發現的第一個問題在于，像青光眼、糖尿病視網膜或是老年性黃斑變性所引緻的失明，其實都是可以預防（或是減緩）的。如果大部分患者能夠及時發現眼部疾病，那麼不僅會對患者的生活狀态産生重要影響，也能避免不必要的經濟負擔。
而據雷鋒網(公衆号：雷鋒網)了解，ibm 研究院采用了 watson 的認知計算處理眼部圖像并進行醫學分析，在未來将惠及所有患者。
圖上顯示的是四張眼球的背面圖，watson 檢測視杯及視盤的大小。這一名額顯示可能患者得了青光眼。
ibm 研究院存在的另一個挑戰在于臨床醫師有限的經驗可能很難發現視網膜圖像的細微變化。對那些偏遠地區的潛在患者而言，昂貴的交通及看病難也給他們帶來了不便。
在
2015 年，駐澳洲 ibm 研究實驗室的科學家們就緻力于通過深度學習分析 88000 份源于
eyepacs（一家全球性的眼球相關影像及醫學資訊共享平台）的視網膜圖像。機器通過訓練眼球的解剖圖像，已經學習了如何識别眼球的一些可能異常，以診斷像青光眼一樣難以察覺的眼疾。
近日，ibm
研究院釋出了相關的研究結果，在視杯及視盤的檢測上，機器達到了 95%
的準确度，并且會向疑似得了眼疾的患者建議做二度檢查。眼疾分析的另一個關鍵點在于機器在掃描視網膜圖像後能進行自動篩選。機器目前能達到 94%
的正确率，而這對于減輕驗光師及眼科醫生的人工負擔大有裨益。
雷鋒網一直密切關注機器學習在醫療領域的應用，不論是領頭的deepmind及ibm watson，還是其它的國内外創業公司，我們都希冀機器學習能夠在醫學影像發揮更大的功用。
本文作者：奕欣