華盛頓大學的研究人員開發了一個由人工智能驅動的應用程序，可以直接在球場上檢測腦震蕩。據了解，籃球、摔跤、排球、長曲棍球等等，幾乎在任何體育運動中，運動員都會受到腦部損傷。

GPU助力腦震蕩檢測App

僅僅在美國，就有 4500 萬兒童參與體育運動，其中每年有 100 萬至 200 萬人患有腦震蕩。大量有關橄欖球運動員的研究都發現，多次腦震蕩與慢性創傷性腦部病變（一種神經退化性疾病）有關。腦損傷還會導致認知問題，有時甚至是死亡。

華盛頓大學五年級博士生 Alex Mariakakis 表示：盡管存在這些危害，但一直沒有行之有效的方式可以在醫院外診斷腦震蕩。

因此，Mariakakis 發明了一種方法。通過與華盛頓大學研究人員和臨床醫生團隊合作，他利用GPU 加速深度學習創建了一個應用程序，只需一個智能手機攝像頭以及 3D 打印紙箱即可檢測腦震蕩以及其他創傷性腦損傷。

Mariakakis 表示：“初高中球隊很少會在球場邊線安排訓練有素的臨床醫生，通常是志愿者家長或教練進行判斷。測試也比較主觀，很容易誤判。”

眼見為實

如果出現腦震蕩，大腦很容易在顱骨內受到擠壓，這樣會損傷控制眼睛對光線做出反應的相關區域。這個名為PupilScreen的應用程序可以評估瞳孔對光線的反應，效果幾乎可以與瞳孔檢測儀（僅在臨床治療中使用的昂貴設備）一較高下。

PupilScreen 利用智能手機的閃光燈模擬患者的眼睛，并利用視頻攝像頭錄制時長三秒鐘的視頻。為了開發這個應用程序，該團隊訓練了一個神經網絡來確定每個視頻幀中有哪些像素屬于瞳孔，并測量這些幀中瞳孔大小的變化。

在對 42 名患有或者未患有創傷性腦損傷的患者進行的初步研究中，該應用程序幾乎能像瞳孔檢測儀一樣跟蹤瞳孔大小。當他們對六名患者測試其原型時，醫生僅參考這一應用程序的輸出結果，便能夠做出幾乎完全準確的診斷。

該團隊借助 CUDA 并行計算平臺、NVIDIA GPU 和 cuDNN 以及 Python TensorFlow 深度學習框架來加快訓練速度。同時，他們還使用 NVIDIA GPU 來部署神經網絡（即所謂的推理過程）。

腦震蕩檢測現有工具缺乏

長期以來，觀察人眼一直都是快速評估腦損傷的方法。負責檢測腦震蕩的醫學專家和其他人通常使用特殊的小手電筒來觀察人眼對光線的反應。

研究人員表示：小手電筒測試并沒有標準化，它還需要執行測試的人具備某些技能，因此，結果也會因其個人專業知識水平而異。

Mariakakis 說，如果一個人處于無意識狀態，便不能使用其他常用的腦震蕩檢測工具，并且同時必須與賽季開始時進行的基準測試作比較。但并不是所有兒童都進行了基準測試，并且有些人也在質疑測試的可靠性。

盡管橄欖球占據了頭條，但女子足球運動員患腦震蕩的人均概率更高

在球場上使用 PupilScreen

最初的 PupilScreen 設計需要用戶將智能手機插入到特制的紙箱中，以便研究人員控制手機和運動員面部之間的距離，以及射入眼睛的光量。

這樣會使得瞳孔測量更加精確。但使用紙箱會讓設備難以使用，在對無意識的人進行測試時尤其困難，因此，團隊舍棄了這種設計。盡管新設計的精確度可能會稍低一些，但研究人員說，這與小手電筒相比已經取得了巨大進步，因為這種設計是量化測試，而非主觀測試。

Mariakakis 說：“我們希望減輕家長的負擔，轉用手機來完成這項任務。”

今年秋季進行的更為廣泛的臨床研究將會把 PupilScreen 交給醫生和急救醫務人員，以便收集更多數據，對于了解腦震蕩相關的瞳孔反應的不確定因素更有幫助。研究人員希望在兩年內推出商業版 PupilScreen。