数年前，Google 的一支团队开始研究如何把机器学习技术运用到糖尿病视网膜病变（Diabetic Retinopathy）的诊断中。近期，Google 将最新的研究成果发表在了《美国医学会杂志（Journal of the American Medical Association）》中，分享了一种深度学习算法，能够通过眼部扫描图像判断患者的视网膜是否发生了病变。这可能可以让在医用资源有限环境中的患者免于失明。

　　糖尿病视网膜病变是目前越来越被人们重视的致盲病因，目前全球范围内有 4.15 亿糖尿病患者面临视网膜病变的风险。若是发现及时，该病是可以被治愈的，但若是未能及时诊断，则可能导致不可逆转的失明。

　　专科医生检测糖尿病视网膜病变最常用的方法之一，atv，是用眼球后部的扫描片进行分析，观察是否有病变的征兆（例如微动脉瘤、出血、硬性渗出等），并判断其严重程度。通常医生会建议糖尿病人每年都对眼部进行检查，但并不是所有患者都能拥有好的医疗条件，世界上许多糖尿病高发的地区没有能力检测该疾病的专业医疗人士。得不到充分治疗的后果，就是最终失明。

　　通过与印度和美国的医生密切合作，Google 创建了一个包含 12.8 万张眼底扫描图片的数据集，用于训练一个检测糖尿病性视网膜病变的深度神经网络。随后，通过把神经网络的诊断结果，与 7 个美国委员会认证的眼科医生的检查结果相对比，来验证其诊断灵敏度。结果表明，该算法的效果与眼科医生小组的表现不分伯仲。例如，下图描述的验证集中，该算法的F-Score 值（结合灵敏度和特异性的度量，最大值为1），为 0.95 分，稍微高于眼科医生的 F-Score 中位数（测得为 0.91 分）。

　　这些成果令人倍感振奋，但接下来仍任重而道远。首先，尽管用来评估算法的传统质量衡量指标的效果十分鼓舞人心，Google 仍在加深与视网膜研究领域的专科医生合作，开奖，以便确立更具参考价值的量化衡量标准。此外，眼底图像的判读只是糖尿病视网膜病变诊断的众多步骤中的一步，其余的步骤在某些情况下也是不可缺少的，比如用来检查视网膜各层的光学相干断层扫描 （Ocular Coherence Tomography, OCT）。Google 正在探索如何将此研究成果与 DeepMind 的 OCT 研究进行结合，以便进一步协助医生们对于糖尿病视网膜病变和其他眼部疾病的诊断。

　　高精度的糖尿病性视网膜病变自动化筛选方法有着很大潜力，可以帮助医生提高诊断效率，使患者尽早得到治疗。当前，Google 正在与医生和研究人员合作，希望能够以最高效的方式将研究成果整合到临床诊断和治疗中。

　　深度学习领域中，技术突飞猛击，而糖尿病视网膜病变诊断的研究成果正是很好的范例。Google 希望在这个领域的研究能够帮助人们更广泛地解决医疗成像领域的重要问题，并将为此不断努力。