人工智能驱动的应用程序，为体育健儿带来健康保障

华盛顿大学的研究人员开发了一个由人工智能驱动的应用程序，可以直接在球场上检测脑震荡。据了解，篮球、摔跤、排球、长曲棍球等等，几乎在任何体育运动中，运动员都会受到脑部损伤。

GPU助力脑震荡检测App

仅仅在美国，就有 4500 万儿童参与体育运动，其中每年有 100 万至 200 万人患有脑震荡。大量有关橄榄球运动员的研究都发现，多次脑震荡与慢性创伤性脑部病变（一种神经退化性疾病）有关。脑损伤还会导致认知问题，有时甚至是死亡。

华盛顿大学五年级博士生 Alex Mariakakis 表示：尽管存在这些危害，但一直没有行之有效的方式可以在医院外诊断脑震荡。

因此，Mariakakis 发明了一种方法。通过与华盛顿大学研究人员和临床医生团队合作，他利用GPU 加速深度学习创建了一个应用程序，只需一个智能手机摄像头以及 3D 打印纸箱即可检测脑震荡以及其他创伤性脑损伤。

Mariakakis 表示：“初高中球队很少会在球场边线安排训练有素的临床医生，通常是志愿者家长或教练进行判断。测试也比较主观，很容易误判。”

眼见为实

如果出现脑震荡，大脑很容易在颅骨内受到挤压，这样会损伤控制眼睛对光线做出反应的相关区域。这个名为PupilScreen的应用程序可以评估瞳孔对光线的反应，效果几乎可以与瞳孔检测仪（仅在临床治疗中使用的昂贵设备）一较高下。

PupilScreen 利用智能手机的闪光灯模拟患者的眼睛，并利用视频摄像头录制时长三秒钟的视频。为了开发这个应用程序，该团队训练了一个神经网络来确定每个视频帧中有哪些像素属于瞳孔，并测量这些帧中瞳孔大小的变化。

在对 42 名患有或者未患有创伤性脑损伤的患者进行的初步研究中，该应用程序几乎能像瞳孔检测仪一样跟踪瞳孔大小。当他们对六名患者测试其原型时，医生仅参考这一应用程序的输出结果，便能够做出几乎完全准确的诊断。

该团队借助 CUDA 并行计算平台、NVIDIA GPU 和 cuDNN 以及 Python TensorFlow 深度学习框架来加快训练速度。同时，他们还使用 NVIDIA GPU 来部署神经网络（即所谓的推理过程）。

脑震荡检测现有工具缺乏

长期以来，观察人眼一直都是快速评估脑损伤的方法。负责检测脑震荡的医学专家和其他人通常使用特殊的小手电筒来观察人眼对光线的反应。

研究人员表示：小手电筒测试并没有标准化，它还需要执行测试的人具备某些技能，因此，结果也会因其个人专业知识水平而异。

Mariakakis 说，如果一个人处于无意识状态，便不能使用其他常用的脑震荡检测工具，并且同时必须与赛季开始时进行的基准测试作比较。但并不是所有儿童都进行了基准测试，并且有些人也在质疑测试的可靠性。

尽管橄榄球占据了头条，但女子足球运动员患脑震荡的人均概率更高

在球场上使用 PupilScreen

最初的 PupilScreen 设计需要用户将智能手机插入到特制的纸箱中，以便研究人员控制手机和运动员面部之间的距离，以及射入眼睛的光量。

这样会使得瞳孔测量更加精确。但使用纸箱会让设备难以使用，在对无意识的人进行测试时尤其困难，因此，团队舍弃了这种设计。尽管新设计的精确度可能会稍低一些，但研究人员说，这与小手电筒相比已经取得了巨大进步，因为这种设计是量化测试，而非主观测试。

Mariakakis 说：“我们希望减轻家长的负担，转用手机来完成这项任务。”

今年秋季进行的更为广泛的临床研究将会把 PupilScreen 交给医生和急救医务人员，以便收集更多数据，对于了解脑震荡相关的瞳孔反应的不确定因素更有帮助。研究人员希望在两年内推出商业版 PupilScreen。