对DeepMind 较熟悉的读者想必都知道，去年凭借AlphaGo 战胜李世乭后，DeepMind 开始发展医疗领域，与英国国家医疗服务体系（NHS）二度合作，并和Moorfields 眼科医院一同开发辨识视觉疾病的机器学习系统。
当时合作的专案主要是糖尿病视网膜病变和因衰老导致的黄斑部病变（AMD），透过抓取医疗机构的眼部医学影像，DeepMind 利用机器学习来判断。日前IBM 也开始进军眼部医学诊断，这次的目标是──青光眼。
青光眼已成为全球致盲的第二大杀手，由于病变周期长，用户的视觉实际上是慢慢减弱的，而且不到晚期一般难以确诊，青光眼之所以被称为「无声的光明小偷」，也是这个原因。据统计，有一半用户都是在未经检查的情况下失明的，甚至，他们都还没来得及意识到自己得了青光眼。
虽然青光眼并不是无药可医，但早发现早治疗的方针不论对什么疾病都同样适用。IBM 研究院密切关注这一疾病。他们发现的第一个问题在于，像青光眼、糖尿病视网膜或老年性黄斑部变性引致的失明，其实都是可以预防（或减缓）的。如果大部分患者能及时发现眼部疾病，那么不仅对患者的生活状态有重要影响，也能避免不必要的经济负担。
IBM 研究院采用Watson 的认知计算处理眼部影像并进行医学解析，在未来将惠及所有患者。
上图显示的是4 张眼球的背面图，Watson 侦测视杯及视盘的大小，这一指标显示患者可能得了青光眼。
IBM 研究院的另一个挑战，在于临床医师有限的经验可能很难发现视网膜影像的细微变化。对那些偏远地区的潜在患者而言，昂贵的交通费及看病困难也给他们带来不便。
2015 年，驻澳洲IBM 研究实验室的科学家们致力于透过深度学习解析88,000 份源于EyePACS（一家全球性眼球相关影像及医学资讯共用平台）的视网膜影像。机器透过训练眼球的解剖影像，已经学习了如何辨识眼球一些可能的不规则，以诊断像青光眼一样难以察觉的眼疾。
近日，IBM 研究院释出相关研究结果，在视杯及视盘的侦测上，机器达到95% 的准确度，并且会建议疑似得了眼疾的患者做二度检查。眼疾解析的另一个关键点在于机器在扫描视网膜影像后能进行自动筛选。机器目前能达到94% 正确率，这对减轻验光师及眼科医生的人工负担大有裨益。
不论是领头的DeepMind 及IBM Watson，还是其他新创公司，我们都希冀机器学习能够在医学影像界发挥更大的功用。
