在人工智能(AI)深度學(xué)習(xí)的領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)(ConvoluTIonal Neural Network；CNN)已是目前最具代表性的發(fā)展技術(shù)之一；然而不論是CNN模型或臨床醫(yī)師，在針對(duì)視網(wǎng)膜眼底成像的圖象判讀及分類時(shí)，常見的問題之一就是如何判定出可能造成病變的原因。

據(jù)報(bào)導(dǎo)，《Journal of Digital Imaging》期刊近期所發(fā)表的一篇研究報(bào)告顯示，CNN模型已能協(xié)助更精準(zhǔn)的判讀與分類視網(wǎng)膜眼底成像，并提供相關(guān)成因證據(jù)作為參考依據(jù)。

視網(wǎng)膜眼底圖象的使用主要是用來(lái)判斷出可能對(duì)視力造成威脅的情況。然而到目前為止，臨床醫(yī)師仍須以手動(dòng)的方式，透過(guò)預(yù)先設(shè)定的規(guī)則來(lái)觀察視神經(jīng)盤及周圍視網(wǎng)膜血管的位置。盡管這是一項(xiàng)不困難且具有主觀性質(zhì)的任務(wù)，但對(duì)于臨床醫(yī)師而言卻仍是一種單調(diào)的工作。

研究報(bào)告作者Yeonwoo Jang與牛津大學(xué)(University of Oxford)統(tǒng)計(jì)系研究人員表示，此CNN模型不僅可透過(guò)傳遞高準(zhǔn)確度的實(shí)時(shí)與自動(dòng)化預(yù)測(cè)來(lái)提高眼底偏側(cè)分類的效率，還可透過(guò)呈現(xiàn)判讀區(qū)域以進(jìn)行不確定性的決策和估計(jì)，為臨床醫(yī)師提供自動(dòng)化系統(tǒng)和更具前瞻性的方法。

該團(tuán)隊(duì)的模型使用了25,911張圖象以進(jìn)行訓(xùn)練和測(cè)試。其中，以黃斑部為中心的圖象約占了43.4%，上眼底和鼻側(cè)視網(wǎng)膜的眼底圖象則占約28.3%。研究結(jié)果顯示，CNN模型的平均精確度已達(dá)到約99%，而這樣的表現(xiàn)水平已與臨床醫(yī)師不相上下。

在測(cè)試新技術(shù)之前，研究團(tuán)隊(duì)還利用了活化圖象(acTIvaTIon maps)，使團(tuán)隊(duì)在做出眼底側(cè)邊分類決策時(shí)，可將神經(jīng)網(wǎng)絡(luò)使用的重要區(qū)域進(jìn)行可視化。研究小組發(fā)現(xiàn)，活化圖象顯示出了可用來(lái)幫助做出決策的視神經(jīng)盤和周圍血管，而這也正是臨床醫(yī)師在圖象分類過(guò)程中所使用的兩大相同決策因素。

該CNN模型還能夠針對(duì)那些已發(fā)現(xiàn)被錯(cuò)誤分類圖象所生成的決策來(lái)進(jìn)行不確定性的分析工作。由于那些被錯(cuò)誤分類的圖象本身具備了更高度的不確定性，因此絕大多數(shù)都是無(wú)法使用的。

研究團(tuán)隊(duì)相信，訊息區(qū)域的可視化、不確定性的估算和預(yù)測(cè)結(jié)果的呈現(xiàn)，將有助于增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型的可解釋性。如此一來(lái)，臨床醫(yī)生便得以藉由使用自動(dòng)分類系統(tǒng)而進(jìn)一步受益。