哈佛研究人员正在开发由GPU加速的深度学习系统 来判断ROP疾病程度.doc

《哈佛研究人员正在开发由GPU加速的深度学习系统 来判断ROP疾病程度.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、哈佛研究人员正在开发由GPU加速的深度学习系统来判断ROP疾病程度　　“早产儿视网膜病变”（RetinopathyofPrematurity，缩写ROP）严重威胁了最幼小、最脆弱的婴儿，特别是未满31周即出生且体重不足1500g的早产儿。如果能够尽早发现ROP则可以治疗，然而目前尚缺客观的方法判定需要进行治疗的情况。　　　　哈佛医学院和麻省总医院AthinoulaA.Martinos生物医学成像中心的研究员JayashreeKalpathy-Cramer认为AI能改变这种局面。她和同事JamesBrown正在开发由GPU加速的深度学习系统，以自动判断这种疾病的严

2、重程度。　　“ROP最主要的一个特性是可预防性，对此深度学习能发挥重要作用。”Kalpathy-Cramer说道。　　对于ROP的筛查停滞于1980年代　　早产儿的眼睛未完全发育是ROP的病因。出生前的最后几周是向视网膜供血的血管快速生长的时期。如果此过程被打断，这些血管可能会停止生长，或长到错误的位置。　　虽然ROP仅威胁一小部分早产儿，但可能会带来终身的影响。ROP通常会自行好转，但如果病情严重，就可能导致失明或眼部疾病（如斗鸡眼、弱视、青光眼和早期白内障）。　　医生筛查ROP时会按其严重程度来分为三个级别：常规、附加性前期(pre-plus)及附加性(pl

3、us)病变，具体取决于眼睛血管的情况。医生将他们在视网膜或其数字影像中看到的情况与专家们在上世纪八十年代选出的标准照片进行比较，以确定ROP级别。然而，专家们对如何划分这三个级别各持己见。　　Kalpathy-Cramer表示：“我希望计算机视觉技术的最新进展能帮助我们在这个领域做得更好。”　　NVIDIA助力实现ROP的自动化诊断　　Kalpathy-Cramer和Brown利用来自视网膜病成像和信息学协会（由俄勒冈健康与科学大学的MichaelChiang博士领导）、包含6000张影像及相应的专家诊断意见的数据集合，来训练深度神经网络，以区分ROP三个级别的

4、影像。　　Kalpathy-Cramer在位于波士顿的临床数据科学中心（由麻省总医院与布列根和妇女医院运营）工作，她使用NVIDIADGX-1AI超级计算机和cuDNN加速的不同深度学习框架来开发ROP诊断算法。　　接下来，她将利用印度的Aravind眼科医院以及Banker视网膜临床和激光中心（BankerRetinaClinicandLaserCentre）提供的大约10万张影像来测试该算法。之后，她打算在印度将该算法作为筛查方法进行试验。　　　　儿童眼科医生使用间接检眼镜检查婴儿有无早产儿视网膜病变的迹象　　AI提供专家诊断结果　　Kalpathy-Cra

5、mer希望能够在缺少专业眼科医生的中低收入国家和地区推广她的ROP筛查系统。从长远来看，她希望开发一种价格低廉的便携式设备，供医护人员初步筛查。　　Kalpathy-Cramer说：“如果我们的算法能够达到预期效果，它将在扭转全球可预防性失明症方面发挥巨大作用。”