AI Technology for Prevention and Control of Juvenile Myopia
•Download as PPTX, PDF•
1 like•192 views
Presented at 2019眼科发展新引擎高峰论坛于 in Shanghai China
Recommended
Recommended
More Related Content
What's hot
What's hot (20)
Similar to AI Technology for Prevention and Control of Juvenile Myopia
Similar to AI Technology for Prevention and Control of Juvenile Myopia (20)
More from Richard Sprague
More from Richard Sprague (14)
Recently uploaded
Recently uploaded (20)
AI Technology for Prevention and Control of Juvenile Myopia
- 1. AI Technology Helps To Prevent And Control Juvenile Myopia
- 2. Healthcare made easy with AI 我们的使命是人工智能让医疗更高效！ More Intelligent，Better Care
- 3. CONTENT New data measuring the alarming rise in juvenile myopia 01. Myopia Crisis How Airdoc uses AI for Myopia prevention Using AI for reporting and suggesting countermeasures 03. Reporting and Countermeasures Emerging devices and software solutions04. Other Tech Advances 02.Airdoc Myopia Prediction
- 4. Optometry results relative to age Median optometry results shift steadily toward myopia, becoming an important social problem.
- 5. 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 NumberOfPeople Age High myopia Moderate myopia Mild myopia Hyperopia Myopia Distribution (based on hospital visits)
- 6. Myopia development in adolescents (ages 3-18) Based on real diopter data of adolescents 2006 vs 2016 2006 2016
- 7. CONTENT New data measuring the alarming rise in juvenile myopia 01. Myopia Crisis How Airdoc uses AI for Myopia prevention Using AI for reporting and suggesting countermeasures 03. Reporting and Countermeasures Emerging devices and software solutions04. Other Tech Advances 02.Airdoc Myopia Prediction
- 8. AI and Vision Prediction Using one million continuous optometry records on 140K people, Airdoc developed a vision prediction model suitable for Chinese adolescents. Using subject age plus three time-delayed optometry inputs, the model can predict vision changes by year to age 18. Age:10 1st: OD,-0.10 OS,-0.15 2nd : OD,-0.10 OS,-0.15 3rd : OD,-0.11 OS,-0.16 Optometry three times Prediction Results Recurrent Neural Networks Age 10 11 12 13 14 15 16 17 18 OD -0.1 -0.139 -0.179 -0.217 -0.256 -0.294 -0.331 -0.367 -0.402 OS -0.15 -0.189 -0.229 -0.268 -0.306 -0.344 -0.381 -0.417 -0.452
- 9. Data 2,467,949 records 519,499 teenagers 14 years range Data distribution： • 70% train, • 20% validation, • 10% test Model Design RNN-based model Training Results Input: Se1 Age1 Con1 Se3 Age3 Con4 Se2 Age2 Con3 SeN AgeN ConN Output: SeN+1 AgeN+1 ConN+1 SeN+2 AgeN+2 ConN+2 Se18 Age18 Con18 … Hyperparameters tuned based on performance on validation set. Learning rate = 0.001 Optimizer = Adam A B C D Following years • Sex • Age • Con AI and Vision Prediction
- 10. Workflow: Comprehensive eye health examination for adolescents 儿童青少年屈光度发育预测（ 3-18岁， per month） 儿童青少年视力变化数据2006 vs 2016 By scanning QR codes, parents can easily view students' eye health record and continuously track their children's eye health status, eye disease risk, and vision change trends.
- 11. CONTENT New data measuring the alarming rise in juvenile myopia 01. Myopia Crisis How Airdoc uses AI for Myopia prevention Using AI for reporting and suggesting countermeasures 03. Reporting and Countermeasures Emerging devices and software solutions04. Other Tech Advances 02.Airdoc Myopia Prediction
- 12. Administrative Report for school officials
- 13. 0 100 200 300 400 500 600 700 800 900 1000 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 MyopiaIndex Age No control Intervention 900 525 MCT Vision Training Vision Monitor Countermeasures Special Lenses Monitoring Efficacy of Countermeasures
- 14. CONTENT New data measuring the alarming rise in juvenile myopia 01. Myopia Crisis How Airdoc uses AI for Myopia prevention Using AI for reporting and suggesting countermeasures 03. Reporting and Countermeasures Emerging devices and software solutions04. Other Tech Advances 02.Airdoc Myopia Prediction
- 15. Diopter detection on mobile devices
- 16. Diopter detection on mobile devices -Group tracking.
- 20. De Fauw, J., Ledsam, J. R., Romera-Paredes, B., Nikolov, S., Tomasev, N., Blackwell, S., … Ronneberger, O. (2018). Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine, 24(9), 1342–1350. https://doi.org/10.1038/s41591-018-0107-6
- 21. De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine. 2018;24(9):1342-1350. doi:10.1038/s41591-018-0107-6 Device independent representation of the scan
- 22. Lee, Cecilia S., Doug M. Baughman, and Aaron Y. Lee. 2017. “Deep Learning Is Effective for Classifying Normal versus Age- Related Macular Degeneration OCT Images.” Ophthalmology Retina 1 (4): 322–27. https://doi.org/10.1016/j.oret.2016.12.009.
- 23. De Fauw, Jeffrey, Joseph R. Ledsam, Bernardino Romera- Paredes, Stanislav Nikolov, Nenad Tomasev, Sam Blackwell, Harry Askham, et al. 2018. “Clinically Applicable Deep Learning for Diagnosis and Referral in Retinal Disease.” Nature Medicine 24 (9): 1342–50. https://doi.org/10.1038/s41591-018-0107-6.
- 24. ray@airdoc.com
Editor's Notes
- 第一步：数据集清洗；第二步：模型设计；第三步：模型训练；第四步：输出结果
- 微软，LV Prasad眼科研究所和全球专家合作推出Microsoft智能眼科护理网络 2016年12月19日 | Firozgar Hansotia 海德拉巴，2016年12月19日：微软印度公司与LV Prasad眼科研究所合作，通过技术不断提升现实生活的影响力，今天推出了微软眼科护理智能网络（MINE）。这是一个由志同道合的商业，研究和学术机构组成的使命驱动的全球财团，他们联手应用人工智能来帮助消除全球范围内可避免的失明和规模化眼科护理服务。 该联盟的合作组织包括巴斯康姆帕尔默 - 迈阿密大学，弗拉姆眼科研究所 - 美国罗彻斯特大学，巴西圣保罗联邦大学和澳大利亚布里恩霍顿视觉研究所。合作伙伴组织将开展合作，共同开展跨地域不同数据集的患者数据集研究，为机器学习预测模型提供视力障碍和眼疾。这将包括儿童近视的变化率，影响儿童视力的条件，屈光手术的预测结果，最佳手术参数以及手术个性化和最大化成功概率的方法。通过研究这些数据并应用Microsoft机器学习技术的高级分析来获取见解，MINE将致力于推动避免可避免盲症的策略，并帮助提高全球眼部护理的效率。目前有2.85亿人视力受损，其中5500万人居住在印度。作为技术推动力，微软将部署其领先的云平台技术--Cortana智能套件，用于高级分析，并在eyecare上构建人工智能模型。 在这次会议上，微软印度（R＆D）私人有限公司董事总经理Anil Bhansali说。公司介绍说，“通过使用我们的能力和开创性的工作在机器学习，多年来的领域，微软已经帮助加速在印度各个关键部门，包括农业，教育数字化改造。今天，我很高兴与一群备受尊敬的合作伙伴一起推进我们在医疗保健方面所做的工作。全球协作MINE强化了微软对数据，云和高级分析的强大综合力量的信念，以推动公共利益。在消除预防性失明的共同愿景中，MINE将通过汇集全球专家的技术和知识的力量来帮助重新定义眼睛护理。“ “在LVPEI，我们一直在使用Microsoft Azure机器学习和Power BI来推动临床干预并改善患者结果。今天，我们非常自豪地推进与微软的合作关系，并与全球研究机构联手，为印度乃至全世界的眼科领域带来革命性的变革。我们相信，这种合作关系不仅将为眼部护理领域带来机遇，而且也为其他人利用技术解决其他几种重要眼部疾病铺平了道路，“ LV Prasad Eye创始人兼主席GN Rao博士说。学院。 微软公司数据集团公司副总裁Joseph Sirosh通过Skype加入该活动说：“在微软，我们的目标是让全球每个人和每个组织都能实现更多。这一与LVPEI和联盟的独特合作伙伴关系将整个领域的最佳实践融合在一起，通过Microsoft Cortana Intelligence Suite使用机器学习重新设计医疗保健。我们将继续推动云计算，机器学习和先进分析方面的投资，为人们和组织建设，创新和改造提供基础。“ 作为下一步，MINE将汇集Azure上不同的合作伙伴组织，共同研究影响的想法。 关于Microsoft机器学习 机器学习是微软的重点领域之一，公司正在通过研发突破以及将结果转化为真正的客户影响力而取得重大进展。微软与LV Prasad眼科研究所合作建立了一个预测模型，帮助预测眼科手术的回归率，使医生能够确定预防和治疗视力障碍所需的程序。为了促进安得拉邦的教育生态系统，微软一直与州政府合作开发基于机器学习的模型来分析和预测辍学并采取预防措施。为了帮助安得拉邦的数字农业， 关于微软印度 Microsoft（纳斯达克股票代码：MSFT）成立于1975年，是以移动为先，云优先的世界领先的平台和生产力公司，其使命是赋予地球上每个人和每个组织更多的能力。微软在1990年成立了印度公司。今天，印度的微软公司拥有7000多名员工，在十个城市 - 艾哈迈达巴德，班加罗尔，金奈，德里，古尔冈，海得拉巴，印度尼西亚等地从事销售和市场营销，研究和开发以及客户服务和支持。高知，加尔各答，孟买和浦那。 关于LVPEI LV Prasad眼科研究所（LVPEI）于1987年在海得拉巴成立，是一家非营利性，非政府，公益性，综合性眼科护理机构。LVPEI受两个信托管理：海德拉巴眼科研究所和海得拉巴眼科研究基金会。该研究所是世界卫生组织预防盲症合作中心和全球视力2020：视觉权利倡议的资源中心。LVPEI在其业务领域（即临床服务，教育，研究，康复和视力增强服务，眼库，以及公共卫生和农村外展）拥有六个活跃的武器。LVPEI网络包括海得拉巴的“卓越中心”，布巴内斯瓦尔，维沙卡帕特南和维杰亚瓦达的三个三级中心，16个中学和141个初级保健中心，覆盖Telangana，Andhra Pradesh，Odisha和Karnataka四个州的偏远农村地区。欲了解更多信息，请访问www.lvpei.org 标签：可访问性，Anil Bhansali董事总经理微软印度（R＆D）Pvt。有限公司，辅助技术，业务决策者，医疗保健，医疗保健消费，保健支付者，医疗保健提供商，医疗保健支出，启动微软智能网络的眼霜（矿） -政府卫生IT会议和展览，生命科学
- 微软，LV Prasad眼科研究所和全球专家合作推出Microsoft智能眼科护理网络 2016年12月19日 | Firozgar Hansotia 海德拉巴，2016年12月19日：微软印度公司与LV Prasad眼科研究所合作，通过技术不断提升现实生活的影响力，今天推出了微软眼科护理智能网络（MINE）。这是一个由志同道合的商业，研究和学术机构组成的使命驱动的全球财团，他们联手应用人工智能来帮助消除全球范围内可避免的失明和规模化眼科护理服务。 该联盟的合作组织包括巴斯康姆帕尔默 - 迈阿密大学，弗拉姆眼科研究所 - 美国罗彻斯特大学，巴西圣保罗联邦大学和澳大利亚布里恩霍顿视觉研究所。合作伙伴组织将开展合作，共同开展跨地域不同数据集的患者数据集研究，为机器学习预测模型提供视力障碍和眼疾。这将包括儿童近视的变化率，影响儿童视力的条件，屈光手术的预测结果，最佳手术参数以及手术个性化和最大化成功概率的方法。通过研究这些数据并应用Microsoft机器学习技术的高级分析来获取见解，MINE将致力于推动避免可避免盲症的策略，并帮助提高全球眼部护理的效率。目前有2.85亿人视力受损，其中5500万人居住在印度。作为技术推动力，微软将部署其领先的云平台技术--Cortana智能套件，用于高级分析，并在eyecare上构建人工智能模型。 在这次会议上，微软印度（R＆D）私人有限公司董事总经理Anil Bhansali说。公司介绍说，“通过使用我们的能力和开创性的工作在机器学习，多年来的领域，微软已经帮助加速在印度各个关键部门，包括农业，教育数字化改造。今天，我很高兴与一群备受尊敬的合作伙伴一起推进我们在医疗保健方面所做的工作。全球协作MINE强化了微软对数据，云和高级分析的强大综合力量的信念，以推动公共利益。在消除预防性失明的共同愿景中，MINE将通过汇集全球专家的技术和知识的力量来帮助重新定义眼睛护理。“ “在LVPEI，我们一直在使用Microsoft Azure机器学习和Power BI来推动临床干预并改善患者结果。今天，我们非常自豪地推进与微软的合作关系，并与全球研究机构联手，为印度乃至全世界的眼科领域带来革命性的变革。我们相信，这种合作关系不仅将为眼部护理领域带来机遇，而且也为其他人利用技术解决其他几种重要眼部疾病铺平了道路，“ LV Prasad Eye创始人兼主席GN Rao博士说。学院。 微软公司数据集团公司副总裁Joseph Sirosh通过Skype加入该活动说：“在微软，我们的目标是让全球每个人和每个组织都能实现更多。这一与LVPEI和联盟的独特合作伙伴关系将整个领域的最佳实践融合在一起，通过Microsoft Cortana Intelligence Suite使用机器学习重新设计医疗保健。我们将继续推动云计算，机器学习和先进分析方面的投资，为人们和组织建设，创新和改造提供基础。“ 作为下一步，MINE将汇集Azure上不同的合作伙伴组织，共同研究影响的想法。 关于Microsoft机器学习 机器学习是微软的重点领域之一，公司正在通过研发突破以及将结果转化为真正的客户影响力而取得重大进展。微软与LV Prasad眼科研究所合作建立了一个预测模型，帮助预测眼科手术的回归率，使医生能够确定预防和治疗视力障碍所需的程序。为了促进安得拉邦的教育生态系统，微软一直与州政府合作开发基于机器学习的模型来分析和预测辍学并采取预防措施。为了帮助安得拉邦的数字农业， 关于微软印度 Microsoft（纳斯达克股票代码：MSFT）成立于1975年，是以移动为先，云优先的世界领先的平台和生产力公司，其使命是赋予地球上每个人和每个组织更多的能力。微软在1990年成立了印度公司。今天，印度的微软公司拥有7000多名员工，在十个城市 - 艾哈迈达巴德，班加罗尔，金奈，德里，古尔冈，海得拉巴，印度尼西亚等地从事销售和市场营销，研究和开发以及客户服务和支持。高知，加尔各答，孟买和浦那。 关于LVPEI LV Prasad眼科研究所（LVPEI）于1987年在海得拉巴成立，是一家非营利性，非政府，公益性，综合性眼科护理机构。LVPEI受两个信托管理：海德拉巴眼科研究所和海得拉巴眼科研究基金会。该研究所是世界卫生组织预防盲症合作中心和全球视力2020：视觉权利倡议的资源中心。LVPEI在其业务领域（即临床服务，教育，研究，康复和视力增强服务，眼库，以及公共卫生和农村外展）拥有六个活跃的武器。LVPEI网络包括海得拉巴的“卓越中心”，布巴内斯瓦尔，维沙卡帕特南和维杰亚瓦达的三个三级中心，16个中学和141个初级保健中心，覆盖Telangana，Andhra Pradesh，Odisha和Karnataka四个州的偏远农村地区。欲了解更多信息，请访问www.lvpei.org 标签：可访问性，Anil Bhansali董事总经理微软印度（R＆D）Pvt。有限公司，辅助技术，业务决策者，医疗保健，医疗保健消费，保健支付者，医疗保健提供商，医疗保健支出，启动微软智能网络的眼霜（矿） -政府卫生IT会议和展览，生命科学
- The second challenge relates to differences in medical equipment. A computer that simply does pattern matching cannot tell the difference between a feature that results from physiology (a specific malady or morphological feature) or if the difference is a matter of different resolution of the equipment. For example: Significant differences between Topcon OCT 3D images (”device type 1”) and those taken with Heidelberg Spectralis HRA + OCT Note how the higher contrast in Device 2 makes visible the Posterior hyaloid (a) or the inter-retinal fluid (b) A simple image analysis can become confused by the higher resolution of Device 2, mistaking the extra features for additional retinal layers.
- Assigning a different pipeline at this early stage allows a device-independent representation of the scan, leaving the rest of the pipeline unchanged.
- Finally, the third problem is the patient variability. But here too, clever new techniques make it possible to classify the patients themselves with a high degree of accuracy. One of our friends from University of Washington, Dr. Aaron Lee and his colleagues, demonstrated that it is possible for a DL algorithm to detect the difference between normal versus age-related macular degeneration. Using almost 100,000 images and a 21-layer rectified linear unit activation, they were able to classify images correctly in under 5 millliseconds.
- Our friends at Deepmind in the UK have proposed this framework: Solution: use a deep segmentation network to create a device-independent tissue segmentation map (figure b-c). Then train those device-independent results