我國研發對早期糖尿病視網膜病變自動篩查及診斷的算法

　　糖尿病視網膜病變、青光眼和白內障合稱為人類視力的三大殺手。糖尿病性視網膜病變（DR）是糖尿病的嚴重并發癥之一，目前，國際糖尿病聯合會（IDF）發布的糖尿病調查數據顯示，2015年中國糖尿病患者已經達到了1.096億，糖尿病視網膜病變在糖尿病人群中的發病率達1/3。目前對于糖尿病視網膜病變的診斷，主要根據患者的眼底圖來確定。一般從患者的眼底圖中可以找到微動脈瘤、析出物、出血、棉絮點等病變區域。微動脈瘤是指患者眼部血管擴張，當眼壓持續上升時，血管破裂，會引起局部出血。棉絮點，有時又被稱為軟析出物，是指神經纖維層梗塞或毛細血管前動脈閉塞，硬滲出物則代表了酯質在視網膜和血管外的累積。專業的眼科醫生可以根據患者眼底圖中病灶點的位置、數量信息確定患者的糖尿病視網膜病變的嚴重程度。

糖尿病視網膜病變

　　青光眼是指眼內壓間斷或持續升高的一種眼病，持續的高眼壓可以給眼球各部分組織和視功能帶來損害。根據英國眼科學期刊的報告，預計到2020年，青光眼患者將會達到800萬人。專業醫生主要是根據患者的視盤與視杯直徑比來診斷是否患有青光眼。

　　無論是糖尿病視網膜病變還是青光眼，他們對眼睛和視力造成的損傷都是不可逆轉的。然而，此類眼底疾病早期的癥狀都很難被察覺，隨著病情的加重，將會導致嚴重的視力損傷，甚至永久失明。因此，對于此類眼底疾病早期篩查很重要。目前我國的專業眼科醫生只有30萬左右，且集中分布在北上廣等一、二線大城市。因此，眼底疾病自動診斷算法對于眼科疾病的自動篩查、檢測診斷尤為重要。

　　近期，深度學習在計算機視覺以及醫療圖像處理方面取得了較大的進展。深度學習是一種能夠自動從原始數據中自動提取到良好特征的特征學習模型，通過深度學習，從原始的輸入數據中，可以得到不同深度層次的特征，而且通過這樣的深度學習過程，原始輸入數據中隱藏的數據信息可以逐層提取抽象出來，層數越深，提取出來的特征所代表的數據概念就表達得越深，這也是之前傳統機器學習算法所無法表達和得到的。

　　對于具體的圖像處理任務而言，表現最出色的就是卷積神經網絡。卷積神經網絡的主要包括卷積層、池化層、全連接層。常見的卷積神經網絡結構包括AlexNet、VGG、ResNet、Inception、Inception-ResNet。同時，隨著注意力機制（Attention）以及生成對抗模型（GAN）快速發展，神經網絡對眼底疾病的診斷結果以及病灶區域的定位也越來越精確。

　　因此，寧波材料所所屬慈溪醫工所智能醫學圖像處理團隊（iMED中國）基于深度學習特別是卷積神經網絡，開發了一套對早期糖尿病視網膜病變進行自動篩查及診斷算法目前很多的深度學習方法，都是將神經網絡看成一個黑盒子，算法結果完全依賴網絡本身的學習能力。該團隊開發的算法與以往算法最大不同之處在于他們可以將一些專業醫生標注的信息融入到網絡中，提高網絡的可解釋性與說服力。最終結果按照Kaggle比賽提供的計算標準來看，Kappa能夠達到84.5%（在kaggle比賽中排第三）。同時，該網絡框架很容易應用于其他疾病診斷算法。

　　對于青光眼的診斷算法研究，目前主流的做法是基于視盤與視杯的直徑比率來查看是否患有青光眼。目前很多算法只是簡單的分割出視盤與視杯，或者直接用神經網絡來檢測是否患有青光眼，然而忽略了兩者之間的聯系。有了分割出來的視盤與視杯，可以幫助研究人員更好的檢測青光眼，同時有了青光眼的準確診斷信息，又能夠更好地分割出視盤與視杯。即分割與診斷之間的是相互關聯的。基于此種考慮,研究團隊開發的算法，能夠在分割出視盤與視杯的基礎上，同時診斷是否患有青光眼。

　　接下來該團隊的目標是開發出一款通用的眼底疾病人工智能智能診斷算法，具體來說，就是基于深度學習，特別是神經網絡來自動診斷眼底疾病，包括青光眼、糖尿病視網膜病變和老年黃斑病變。人工智能智能診斷，不僅包括準確地分辨出疾病的種類，而且能夠精準的定位到病灶區域。為預防眼科疾病，早發現、早治療、做出一點微小的貢獻。

左圖為青光眼患者視盤與視杯，右圖為正常人的視盤與視杯

糖尿病視網膜病變診斷算法