粤陕合作研究“AI医生” 1分钟内可诊断多种眼表疾病
粤陕合作研究“AI医生” 邰梦云摄
拍下一张眼表图，1分钟内可诊断出病灶，并诊断多种眼表疾病。中山大学中山眼科中心23日称，该中心教授林浩添、教授刘奕志和西安电子科技大学教授刘西洋等组成研究团队，5年合作共同研发新的图像智能评估系统，可应用于大规模筛查、综合分诊、专家级评估等多个临床场景。该研究成果发表于《自然》杂志的子刊《自然生物医学工程》。
当天，记者体验上述智能系统的问诊过程，操作人员通过裂隙灯拍照后，图片实时上传到系统。1分钟内，检测结果显示在屏幕上。如果眼睛有病变，智能系统还会显示出病变的位置，给予诊断建议，像一位“AI医生”。
上述智能系统基于医学图像密集标注技术Visionome。该技术是一种基于解剖学和病理学特征对医学图像进行密集标注的方法。与传统图片级分类标注方法相比，Visionome技术可多产生12倍标签，而这些标签训练出来的算法显示更好的诊断性能。
基于此技术，团队训练出可准确识别多种眼前段病变的裂隙灯图像智能评估系统，可应用于大规模筛查、综合分诊等多个临床场景。
林浩添介绍，医学生在学习过程中，会基于少量精密解剖图和病理图，不断加深对解剖学、生理学和病理学等学科的学习，但对于人工智能来说，图像标注是所有人工智能算法感知世界的基础。
团队决定利用类似DNA序列分割的原理对医学图像进行分割：建立Visionome密集标注标准流程，组织25人专家标注团队将1772张包含角膜炎、胬肉等感染、环境、年龄相关性疾病的眼前段图像，按照14种解剖结构进行区域分割，对于6种病变部位按照54种病理性特征进行密集标注，最终得到13404个解剖结构标签和8329个病理特征标签。
目前，Visionome可完成4项临床任务。其中，对于大规模筛查，即对眼前段图像进行正常/异常判断，它的准确率高达98.54%。
林浩添说，目前研究成果已进入临床应用转化阶段，下一步，希望能够以区块链技术优势与医疗健康数据传输共享技术相结合作为切入点，推动健康数据共享。
信息时报讯（记者 黄艳 通讯员 邰梦云）拍下一张眼表图，即可诊断出病灶，并初步判断超过五种的眼表疾病。据了解，由中山大学中山眼科中心林浩添教授、刘奕志教授与西安电子科技大学刘西洋教授带领团队经过5年钻研合作共同研发的医学图像密集标注技术Visionome可准确识别多种眼前段病变的裂隙灯图像智能评估系统，可应用于大规模筛查、综合分诊、专家级评估、多路径诊疗建议等多个临床场景。最新研究成果“Dense anatomical annotation of slit-lamp images improves the performance of deep learning for the diagnosis of ophthalmic disorders”于2020年6月22日发表于《自然》杂志的子刊《自然生物医学工程》（Nature Biomedical Engineering，IF=17.135），并进入临床转化应用。
首创医学图像密集标注技术Visionome
据了解，目前国内医学人工智能发展仍面临优质数据提取困难、现有数据标注方法效率低等一系列问题，同时许多疾病患病率低，不同学科数据特征迥异，导致现有人工智能算法通常难以应对跨学科场景。如何利用一流医疗人才团队与海量循证医疗数据的优势，突破僵局，建立中国特色的医学人工智能发展模式？中山大学中山眼科中心林浩添教授提出了医学人工智能“乐高”计划，以标准化数据标注模式、提高数据标注效率、建立医疗数据区块链等作为切入点，进行战略部署。该计划通过将医学数据转化成可以拼插组合的“乐高”模块，打通不同疾病学科的数据异质性壁垒。作为医学人工智能“乐高”（Visionome技术）计划的首个研发成果，Visionome技术成功实现了人工智能进行跨学科、多病种应用，证明了医学人工智能“乐高”计划的高度可行性。目前，团队已与数十家医院建立合作，加快推进医学人工智能“乐高”计划的跨学科应用。
林浩添介绍，具体来说，医学图像密集标注技术Visionome是一种基于解剖学和病理学特征对医学图像进行密集标注的方法。与传统图片级分类标注方法相比，Visionome技术可多产生12倍标签，而这些标签训练出来的算法显示了更好的诊断性能。基于此技术，团队训练出可准确识别多种眼前段病变的裂隙灯图像智能评估系统，可应用于大规模筛查、综合分诊、专家级评估、多路径诊疗建议等多个临床场景。不仅在回顾性数据集中表现出眼科专家级别的诊断水平，在前瞻性数据集中也表现出色。最新研究成果“Dense anatomical annotation of slit-lamp images improves the performance of deep learning for the diagnosis of ophthalmic disorders”于2020年6月22日发表于《自然》杂志的子刊《自然生物医学工程》（Nature Biomedical Engineering，IF=17.135），并进入临床转化应用。
4项临床任务准确率达到了眼科专家水平
团队使用Visionome数据集，进一步研发了可针对多种眼前段疾病，进行多区域识别和分类的裂隙灯图像智能评估系统。该系统可完成4项临床任务：包括大规模筛查，即对眼前段图像进行正常/异常判断，准确率高达98.54%；综合分诊，即定位眼前段图像病变所在解剖部位，平均准确率为93.75%；专家级评估，即针对特定解剖部位描述多项病理体征，准确率均在为79.47%以上；多路径诊疗建议，即综合上诉诊断结果及患者自报告的症状等信息，进行诊疗方案建议。上述模型准确率均在外部验证中达到了眼科专家水平。
林浩添介绍，通俗来说，对于应用在病人身上，只要在眼科拍摄一张图片采集数据，即可立刻诊断出病灶，初步排查出超过5种眼表疾病。
此外，评估系统还具备举一反三的诊断能力。据介绍，团队同时使用了20种系统未学过的眼病进行测试，包括眼科十大急症及其他复杂眼病如圆锥角膜，虹膜囊肿，视网膜母细胞瘤等，系统在大规模筛查场景中达到了84.00%的准确率。说明Visionome在密集分割的同时让算法得到了举一反三的诊断能力，具有跨专科识别多病种的潜力。
推动成果转化让人工系智能成为接地气的“医生”
使用者通过在Visionome诊断系统中上传眼前段图像，即能一次获得多个部位的全方位诊断，与传统的人工智能算法相比，Visionome系统可生成更加全面、精细、具体的报告，真正让医学人工智能应用揭开神秘的面纱，成为一个接地气的“医生”。据介绍这不仅为罕见病学科等数据难以积累的医学人工智能应用打开了突破口，同时也进一步为人工智能算法层面跨病种应用打通了壁垒。
目前，团队已与万灵帮桥医疗器械（广州）有限责任公司合作将该研究成果投入临床应用转化阶段。未来双方将以院企合作的形式，在促进高新技术成果孵化、培育与产业化落地等方面开展持续深入合作，积极助力医学AI产业化发展。
此外，由于医疗健康数据是患者的生物密码，数据隐私与数据安全尤为重要，因此传统的医疗健康数据囿于技术限制，仅能分散下沉于各个医院，形成数据孤岛。医疗信息的传递、共享和数据安全是下一战略布局面临的首要问题。目前，团队以区块链技术优势与医疗健康数据传输共享技术相结合作为切入点，基于区块链开放共识、不可篡改、易于追溯等特点，进行医疗健康区块链技术的战略布局。
联系客服
