魏文斌教授：人工智能助力眼底诊疗

编者按

科技日新月异，Alpha Go家喻户晓，AI技术已广泛应用在各个领域。从互联网医疗到医疗人工智能，是对医疗行业诊疗形式的一次变革。如何使用AI助力眼底诊疗是科研人员持续关注的课题，今年的全国眼科年会上，北京同仁医院魏文斌教授分享了其团队在相关领域研究的宝贵经验，和小编共同了解人工智能skr啥！

AI热潮，眼科也要分一杯羹

人工智能（AI）的定义是指研究、开发用于模拟、延伸和扩张人类智能的理论、方法、技术及应用系统的一门新的技术科学。医疗影像是AI在医疗领域应用的第一站。

从功能看，AI在医疗影像领域的应用分为两大类：

机器看片：强调替代或辅助医师观察影像数据的作用，以提升影像诊断效率为目的，解决医生资源不足问题。

机器读片：强调对医学影像数据的内容解读，进一步提高影像诊断水平。

医学影像诊断正从定性向定量演进，通过神经元深度学习算法与医学影像的结合是未来的发展方向。眼科影像尤其适合训练深度学习算法，用于病灶部位特征提取和识别。患者随访资料的累积，是医疗影像大数据重要的一部分，通过深度学习技术对眼底影像进行自动分析与诊断，将有效提高筛查效率，使大面积筛查成为可能，有助于眼底疾病控制，创造巨大社会效益。

AI在眼底诊疗应用的步步为营

1

AI在眼底诊疗的应用，首先需了解眼底分类疾病的特点

图片表现形式局限：所有眼底图片都由一个圆形视野区域截取，底色都为橘黄色附近颜色等；

类间距离小：类与类之间图像表现差别较小；

局部特征更重要：局部病灶的视觉表现通畅决定了当前眼底图片所对应的疾病，也就决定了在此问题的分类。

2

眼底诊疗AI阅片模型建立

数据：一个健康VS非健康的模型的数据，模型检测眼底各区域的病变特征，把这些不同区域的病变汇总后判断眼底是健康还是非健康。

系统包含五个模块：

黄斑区模块

大分类模块

血管分割+分类模块

视杯视盘模块

损伤检测模块

每个模块都有判断健康与否的标签，例如黄斑区模块健康和非健康的标签如下：

模块之间会有部分的重复检测某疾病，如糖网的检测在2、3、5模块都有，这样可以提高检测准确性，对疾病的分级可以更准确。

3

AI模型训练

AI模型训练主要包括以下流程：

图像预处理：图像的去噪、增强、清洗、锐化等；

图像分割：通过器官形态模拟，图像边缘特征模型、神经网络聚集模型，将不同器官影像自动分割（分割精度

特征提取：通过变换的方法用低维空间表示高维空间，计算机将其中有意义的特质或区域提取出来；

匹配判断：深度学习+患者数据训练，总结判断规则，结合提取的特征数据对影像结果判断筛选出病变图片。

使用每类数据的90%用来训练网络，10%作为测试集测试模型性能。测试集不做任何数据增强，只对训练集做增强。数据中患病的类别要远多于正常类别的图片数量，需要通过数据增强来强化未患病类别的数量，防止其数量过少，在训练过程中特征的响应消失的风险。

例如黄斑区模块训练集数据为31425，测试集数据为2215，测试时将1归为眼底患病组，0归为眼底正常组，模型二分类混淆矩阵如下：

特异性为0.921，敏感性为0.966，平均每张图消耗时间为0.177s。

此外在血管分割和分类模块的测试，特异性为0.878，敏感性为0.920。视杯视盘模块的测试，特异性为0.974，敏感性为0.984。

高质量的医学图像是现代医学诊断和处理的重要依据，医学影像诊断正从定性向定量演进。用神经网络深度学习识别医疗影像已成为研究热点，在AI眼底阅片模型建立的基层上，将对OCT、FFA、OCTA等影像进行进一步的分类训练。

结语

我们的医疗工作体系正向分级诊疗的方向演进，分级诊疗带来新的机遇，基层医疗机构将成为未来居民健康的管理者，基层首诊意味着基层医疗即将成为新的就医入口，基层医疗机构更面临智能化升级的强需求。AI辅助工具的应用，助力眼底诊断和筛查，大大提高了效率和准确率，尤其对于基层医疗机构更具有意义。

新版置顶方法

随着微信版本的更迭，大家的信息列表里变得混杂，希望新版置顶方法能让你在众多信息中一眼找到惟视眼科！