【重磅】Visionome 技术算法可智能高效诊断多种眼病——中山眼科中心研究成果发表于《自然生物医学工程》

来源：医联媒体

通讯员：魏春福邰梦云蔡炽聪

医学人工智能的浪潮已经到来。然而，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，仍然是目前中国广大人工智能工作者们面临的重大科学问题。在国家重点研发计划（2018YFC0116500）、国家自然科学基金面上项目（81770967）、广东省科技计划项目（2018B010109008）支持下，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”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。

首创医学图像密集标注技术Visionome

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，由林浩添教授、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完成。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。

Nature Biomedical Engineering在线发表的文章首页

【新闻发布会+签约仪式照片/团队合影】

2020年6月23日，林浩添教授、刘奕志教授和刘西洋教授及其团队面向媒体发布了这一重磅研发成果

利用人类医生学习曲线构建医学人工智能学习模式

图像标注是所有人工智能算法感知世界的基础。但是，既往诊断算法常使用单一图片级二分类标注方法进行数据集构建，损失了大量有效解剖学信息。团队观察到，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。基于此，团队提出构想：在医学图像标注过程中，高质量的小样本数据集也有潜力训练出诊断性能优异的人工智能算法。

为证实这一猜想，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1,772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，最终得到了13,404个解剖结构标签和8,329个病理特征标签。团队还使用传统标注方法生成标注数据集进行算法训练和对比，结果显示Visionome数据集训练的算法具有显著更高的诊断准确率。

Visionome技术密集标注原理

建立功能多样的裂隙灯图像智能评估系统

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：1）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%；2）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%；3）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；4）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。

为了进一步评估系统的可延展性，团队使用了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。

裂隙灯图像智能评估系统可针对4项临床任务快速生成评估报告

在真实世界临床评测中表现出色

临床试验是检验人工智能临床应用的重要评判方法。因此，团队进一步设计了前瞻性临床试验，在中山眼科中心和越秀区社区卫生服务中心进行，使用大量真实世界临床数据，对裂隙灯图像智能评估系统分别进行了评测。结果显示，该系统能出色完成4项临床任务。调查问卷显示，患者愿意在家和诊所使用这个系统，该系统能加深他们对于疾病的理解，缓解就医心理压力。

该系统在回顾性外部验证中表现媲美眼科专科医生

推动成果转化应用实现创新价值

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”。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，积极助力我国医学AI产业化发展。

区块链技术助力下一战略布局

本项研究成果有效解决了数据样本量小和数据浪费等问题，但仍对标注数量及质量有很高要求。为了建立可跨专科自动分割识别医学图像的结构化技术，有必要纳入更多疾病学科医学数据，从而实现医学人工智能“乐高”计划在其他疾病学科的推广应用。

然而，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。

拼搏青春与团队共同成长

本研究大量研发工作是由核心成员在研究生期间合作完成。作为本次研究成果的共同第一作者，中山眼科中心李王婷、杨雅涵两位博士研究生与西安电子科技大学张凯博士等其他团队成员进行了深度合作，从生理学、病理学、解剖学、诊断学等几个不同的角度着手，在经历多次标注方案失败、测试和优化后，最终明确Visinome图像密集标注方案，并逐步完成了软件设计、网站部署、临床应用及评估等工作。

同时，两人也在研究过程中迅速成长，不仅在国际和国内学术会议上积极进行学术交流，而且还分别作为课题负责人获得了中山大学优秀研究生创新发展项目立项，并出色地完成了课题任务。他们表示，“十分感恩和荣幸能深度参与这项研究。刚加入团队的时候我们还只是青涩的硕士研究生，但现在，我们不仅对科学研究有了更系统全面的认识，而且还锻炼发展了独立思考和解决科学问题的热情和能力。”