[发明专利]眼科疾病和病症的基于深度学习的诊断和转诊

说明书

本文公开用于执行眼科疾病和病状的医学诊断的系统、方法、装置和介质。深度学习算法使眼科图像的自动分析能够产生具有与临床专家相当的准确性的预测。

交叉引用

本申请要求2017年10月13日提交的第62/572,384号美国临时申请、2018年5月8日提交的第62/668,698号美国临时申请以及2018年7月6日提交的第62/694,939号美国临时申请的权益，所述申请中的每一个以引用的方式全文并入本文中。

发明背景

基于例如视网膜成像的医学成像诊断出许多眼科疾病和病症。医学成像传统上依靠人类专家单独地分析图像。随着医学成像程序数目的增加，对高效准确的图像分析的需求超过了能够执行此功能的专家资源。

发明内容

传统的医学图像分析算法存在许多技术缺陷，这些缺陷与无法在没有大量人工干预和/或指导的情况下充分执行分析有关，这与用于革新疾病诊断和管理的人工智能和机器学习的应有前景不符。例如，一种方法依赖于(1)手工对象分割，(2)使用专门为每种类别的对象设计的统计分类器或浅层神经计算机器学习分类器识别每个分割的对象，以及(3)图像的分类。因此，多个分类器的创建和完善需要大量的专业知识和时间并且需要大量的计算。另外，由于训练集中缺少足够的医学图像，因此机器学习分类器的训练通常是有缺陷的。在相对罕见或无法充分获取医学图像的疾病或病状的情况下，这个问题会更加严重。此外，因为机器学习通常表现得像黑箱，所以由于有关分类器如何评估医学图像以生成预测的方法缺乏透明性，接受通过此类方法生成的诊断可能会受到阻碍。

通过提供不需要专家进行实质干预来生成分类器的改进系统和技术，本公开解决了现有计算机系统执行图像分析的这些技术问题。这些包括例如提供多个处理层的卷积神经网络层，在这些处理层上应用了图像分析滤波器或卷积。通过在图像上系统地卷积多个滤波器以产生用作下一层的输入的特征图来构造每一层内的图像的抽象表示。这种总体架构使图像能够被处理成像素作为输入并生成所需的分类作为输出。因此，不再需要用于传统图像分析技术的多个资源密集型步骤，例如手工对象分割，使用浅层分类器识别分割的对象以及图像的分类。

另外，本公开解决了相关领域中用于训练算法以有效地执行图像分析和/或诊断的图像(例如，用于特定眼科疾病的医学图像)不足的技术问题。本公开的某些实施方案包括应用迁移学习算法以对感兴趣的特定领域之外的图像训练例如卷积神经网络的初始机器学习算法，以优化下层中的权重来辨识图像中发现的结构的系统和技术。然后冻结下层的权重，同时使用来自相关域的图像对上层的权重进行重新训练，以根据所需诊断(例如，识别或预测特定眼科疾病或病状)识别输出。此方法允许分类器使用明显更少的训练图像，同时需要实质上更少的计算能力更快地辨识特定种类的图像(例如，眼睛的图像)的区别特征。使用非域图像来部分地训练或预训练分类器允许使用与数千种类对应的可用图像的深层存储来优化一个或多个神经网络层的权重。结果是特别地考虑到速度、效率和所需计算能力的改进，分类器具有比传统方法出乎意料且令人惊讶的敏感性、特异性和准确性。实际上，分类器的某些实施方案在根据敏感性、特异性、准确性或其组合来正确地诊断医学图像方面优于人类专家。

通过允许识别对分类器的预测诊断贡献最大的关键区域，本公开还解决了机器学习的黑箱性质。本公开的某些实施方案利用对测试图像的遮挡测试来识别对分类器生成准确诊断的能力具有最重要贡献的感兴趣区域。专家可证实这些区域以验证系统，从而提高诊断的透明度和可信度。

有效地实施本文所描述的基于计算机的算法图像分析的技术问题的技术解决方案打开了机器学习技术的先前未实现潜力，从而革新医学图像分析和诊断。此外，本公开提供比下文更详细描述的现有计算机系统和技术更多的技术优势。