Glaukom är den näst vanligaste orsaken till blindhet i världen, påverkar cirka 2,7 miljoner människor bara i USA. Det är en komplex uppsättning sjukdomar och, om den lämnas obehandlad, kan leda till blindhet. Det är ett särskilt stort problem i Australien, där bara 50 procent av alla som har det faktiskt får diagnosen och får den behandling de behöver.

Som en del av ett team av forskare från IBM och New York University, mina kollegor och jag tittar på nya sätt AI kan användas för att hjälpa ögonläkare och optiker att ytterligare använda ögonbilder, och potentiellt bidra till att påskynda processen för att upptäcka glaukom i bilder. I en färsk tidning, vi beskriver ett nytt ramverk för djupinlärning som upptäcker glaukom direkt från rå optisk koherenstomografisk (OCT) avbildning, en metod som använder ljusvågor för att ta tvärsnittsbilder av näthinnan. Denna metod uppnådde en noggrannhetsgrad på 94 procent, utan ytterligare segmentering eller skrubbning av data, vilket vanligtvis är tidskrävande.

För närvarande, glaukom diagnostiseras med en mängd olika tester, såsom intraokulära tryckmätningar och synfältstester, samt ögonbotten- och OCT-avbildning. OCT ger ett effektivt sätt att visualisera och kvantifiera strukturer i ögat, nämligen näthinnans nervfiberskikt (RNFL), som förändras med utvecklingen av sjukdomen.

Även om detta tillvägagångssätt fungerar bra, det kräver en ytterligare process för att kvantifiera RNFL i OCT-bilder. Dessa tekniker rensar också vanligtvis indata på en mängd olika sätt, som att vända alla ögon till samma orientering (vänster eller höger) för att minska variationen i data för att förbättra prestanda för klassificerare. Vårt tillvägagångssätt tar bort dessa ytterligare steg, vilket indikerar att dessa potentiellt tidskrävande stadier inte krävs för att upptäcka glaukom.

I sista hand, när det normaliseras av en falsk positiv frekvens, i en kohort av 624 försökspersoner (217 friska och 432 glaukompatienter), vårt nya tillvägagångssätt, grundad i djupinlärning, detekterar glaukomögon korrekt i 94 procent av fallen, medan tidigare nämnda tekniker bara hittade detta i 86 procent av fallen. Vi tror att denna förbättrade noggrannhet är ett resultat av eliminering av fel i den automatiserade segmenteringen av strukturer i bilder samt inkluderandet av områden i bilden som för närvarande inte används kliniskt för detta ändamål.

Dessutom, i motsats till den nuvarande trenden inom AI-forskning som använder större och djupare nätverk, nätverket vi använde var ett litet 5-lagers nätverk eftersom medicinsk data inte är lika lättillgänglig på grund av dess konfidentiella karaktär. Denna databrist gör användningen av stora nätverk opraktisk i många medicinska tillämpningar. Även inom forskning, vi ser ibland att "less is more, " och utbildningen av dessa algoritmer på mindre nätverk gör att de kan köras med större effektivitet.

Detta är bara en aspekt av vår forskning om att tillämpa AI för ögat. I ett nyligen annonserat nytt samarbete, IBM Research och George &Matilda (G&M) kommer att utnyttja G&M:s robusta datamängd av anonyma kliniska data och avbildningsstudier för att utforska metoder för att använda djupinlärningsmodeller och bildanalyser för att stödja kliniker i identifiering och upptäckt av ögonsjukdomar – inklusive glaukom – i bilder . Forskare kommer också att undersöka de potentiella biomarkörerna för glaukom, vilket skulle kunna hjälpa till att bättre förstå sjukdomsprogression.

Den här historien återpubliceras med tillstånd av IBM Research. Läs originalberättelsen här.