卷积神经网络判读与分类视网膜眼底成像技术再获突破

在人工智能(AI)深度学习的领域中，卷积神经网络(ConvoluTIonal Neural Network；CNN)已是目前最具代表性的发展技术之一；然而不论是CNN模型或临床医师，在针对视网膜眼底成像的图象判读及分类时，常见的问题之一就是如何判定出可能造成病变的原因。

据报导，《Journal of Digital Imaging》期刊近期所发表的一篇研究报告显示，CNN模型已能协助更精准的判读与分类视网膜眼底成像，并提供相关成因证据作为参考依据。

视网膜眼底图象的使用主要是用来判断出可能对视力造成威胁的情况。然而到目前为止，临床医师仍须以手动的方式，透过预先设定的规则来观察视神经盘及周围视网膜血管的位置。尽管这是一项不困难且具有主观性质的任务，但对于临床医师而言却仍是一种单调的工作。

研究报告作者Yeonwoo Jang与牛津大学(University of Oxford)统计系研究人员表示，此CNN模型不仅可透过传递高准确度的实时与自动化预测来提高眼底偏侧分类的效率，还可透过呈现判读区域以进行不确定性的决策和估计，为临床医师提供自动化系统和更具前瞻性的方法。

该团队的模型使用了25,911张图象以进行训练和测试。其中，以黄斑部为中心的图象约占了43.4%，上眼底和鼻侧视网膜的眼底图象则占约28.3%。研究结果显示，CNN模型的平均精确度已达到约99%，而这样的表现水平已与临床医师不相上下。

在测试新技术之前，研究团队还利用了活化图象(acTIvaTIon maps)，使团队在做出眼底侧边分类决策时，可将神经网络使用的重要区域进行可视化。研究小组发现，活化图象显示出了可用来帮助做出决策的视神经盘和周围血管，而这也正是临床医师在图象分类过程中所使用的两大相同决策因素。

该CNN模型还能够针对那些已发现被错误分类图象所生成的决策来进行不确定性的分析工作。由于那些被错误分类的图象本身具备了更高度的不确定性，因此绝大多数都是无法使用的。

研究团队相信，讯息区域的可视化、不确定性的估算和预测结果的呈现，将有助于增强神经网络模型的可解释性。如此一来，临床医生便得以藉由使用自动分类系统而进一步受益。