雲栖号資訊：【 點選檢視更多行業資訊】
在這裡您可以找到不同行業的第一手的上雲資訊，還在等什麼，快來！
遺傳和環境因素都會影響與年齡有關的黃斑變性（AMD），而黃斑變性是緻盲的主要原因。以往 AMD 的嚴重性主要通過視網膜眼底圖像來衡量，近年來一些機器學習方法也被運用到通過圖像資料來預測 AMD 的進展。
近日，美國匹茲堡大學的研究團隊使用改良的深度學習算法，基于遺傳資料和眼底圖像，成功實作對患者是否已經發展到晚期 AMD 的預測，最新研究進展發表在近期的《自然 — 機器智能》期刊上。
在這項研究中，研究人員總共使用了 1,351 名年齡相關性眼病患者的 31,262 個眼底圖像和 52 個 AMD 相關遺傳變異，這些資料包含了患者的基線資訊和 12 年随訪期間疾病嚴重程度的表型和眼底圖像。
棘手的黃斑變性
黃斑變性是發生在視網膜黃斑區的一組疾病，有遺傳性和年齡相關性（老年性）兩種。年齡相關性黃斑變性是指人眼黃斑區結構的衰老性改變，随着年齡的增長，視網膜黃斑區的 “清道夫”—— 視網膜色素上皮細胞對視細胞内有害物質的清除能力下降，使得有害物質潴留于黃斑部細胞内，引發相關的病理改變後，導緻黃斑變性發生。
光線對組織的損傷完全取決于光線的頻率、強度和時間，以及引發的一系列光化學反應，而人體本身有許多防禦的結構和分子，這些結構包括角膜、晶狀體等，能濾過有害波長光線，是有效的紫外線和藍光的濾過器。
近年來，随着社會逐漸進入老齡化，年齡相關性黃斑變性發病率逐年上升，因其起病隐匿，發現時常常已對視功能造成了不可逆的損傷。而且随着現在長期從事與直射光接觸的職業人員增多，現在年齡相關性黃斑變性的發病率也大幅增高。
黃斑變性的發病機制尚不清楚，一般認為與遺傳、慢性光損傷、代謝、營養不良、中毒、免疫異常、高血壓動脈硬化等因素有關。
目前 AMD 的嚴重程度主要是由眼科醫生在臨床上使用彩色眼底圖像來診斷的。晚期 AMD 有兩種形式：
（1）地域性萎縮，也稱為 “幹性 AMD”，其特征是視網膜色素上皮、感光細胞和中央視網膜脈絡膜毛細血管層逐漸退化和消失；
（2）脈絡膜新生血管，也稱為 “濕性 AMD”，其特征是生長新的、滲漏的血管進入視網膜，造成廣泛的感光細胞喪失，最終導緻視力迅速下降。一些早期或中期 AMD 患者長期保持視力，随着時間的推移病情進展緩慢，但另一些患者很快進展為晚期 AMD 的一種或兩種形式。
近年來，随着基因測序技術的發展，科學家們已經意識到遺傳學在 AMD 的發病機制中起着至關重要的作用。全基因組關聯研究也已經發現了許多與 AMD 相關的變異。
例如，在國際 AMD 基因組學聯合會最近的一項大規模全基因組關聯研究中，52 個獨立的遺傳标記，包括來自 34 個位點的常見和罕見變異，被發現與 AMD 風險增加有關。
AI 預測黃斑變性
與遺傳研究相平行，機器學習方法，特别是深卷積神經網絡（CNNs）已經在眼科的圖像識别和分類中得到了應用。CNNs 已經被用于上述 AMD 的自動分級，從眼底圖像中識别糖尿病視網膜病變和心血管危險因素，解釋和分割光學相幹斷層圖像。
傳統的機器學習方法依賴于 “特征工程”，即計算由專家明确定義的特征。而與傳統的機器學習方法不同，CNNs 可以直接從圖像本身學習特征。
基于視網膜眼底圖像和 SNPs 的的 CNN 算法，用于預測晚期 AMD 進展
CNN 是一個深度學習技術家族，其特點是具有多個計算層，能夠自動、深入、全面地從較低層次結構學習特征，直至更普遍的更高層次結構。最近，有幾項研究使用彩色眼底圖像運用卷積深度學習的方法進行自動 AMD 分級和估計 AMD 的未來風險。然而，這些方法都沒有在預測模型中考慮遺傳資料。
AREDS 是美國國家眼科研究所進行的一項大規模臨床試驗，包括 12 年的大規模全基因組資料、縱向彩色眼底照片和疾病嚴重程度評估，為研究者利用 AI 研究 AMD 的進展提供了前所未有的機會。
在這項研究中，研究者使用基因型和眼底圖像來預測一隻眼睛進展到晚期 AMD 的幾率。具體地說，對于一隻眼睛，輸入包括目前就診時拍攝的一張眼底圖像和受試者的基因型，輸出的是晚期 AMD 的進展機率。
由于晚期 AMD 是不可逆的，這種預測可能促使潛在的患者提前開始預防性治療，進而減緩疾病的進展。
深度學習與黃斑變性
基于深度學習的人工智能技術在眼科領域展現出了巨大的潛力。由于眼科學本身的特點，臨床上對于眼科疾病的診斷常常需要借助大量的影像學技術來輔助診斷。
即便是最基本的顯微鏡檢查，也要求眼科醫生能夠迅速、直覺地觀察到眼部的情況，進而做出正确的早期診斷或排除相關疾病。
然而人眼的識别能力有限，醫生的精力也有限，眼科醫生的專業能力也因人而異，在應對大量的疾病診斷工作中難免遇到諸多限制，大範圍的疾病篩查工作也難以開展。
借助于人工智能醫學影像識别技術，能夠從人肉眼無法識别的像素層面上區分不同圖像之間極其微小的差異，大大提高診斷的準确率，同時降低時間成本和經濟成本，減少眼科醫生與患者的負擔，提高臨床工作效率。
未來，深度學習可以利用更好的形式運用于眼科，以更好地檢測威脅視覺的眼病。目前全球很多 AI 企業也嘗試進入醫療資料領域，開發出一些可以在眼科有效運用的深度學習系統，如谷歌創立的通過眼底圖像用以檢測視網膜疾病的深度學習人工神經網絡系統。
大量的資料整合将有助于加快這類項目的建設。至于未來深度學習技術會不會取代視網膜專家和眼科醫生的角色，我們不得而知，但目前可以确定的是，臨床醫師在眼底疾病的治療方面仍占據重要地位，而 AI 醫療影像識别系統則已慢慢成為一個十分重要的助手。
參考資料：
https://www.nature.com/articles/s42256-020-0154-9【雲栖号線上課堂】每天都有産品技術專家分享！
課程位址：
https://yqh.aliyun.com/zhibo立即加入社群，與專家面對面，及時了解課程最新動态！
【雲栖号線上課堂 社群】
https://c.tb.cn/F3.Z8gvnK
原文釋出時間：2020-03-25
本文作者：陽光
本文來自：“
學術頭條”，了解相關資訊可以關注“
”