北京時間6月23日上午11時，中山大學中山眼科中心林浩添教授、劉奕志教授和西安電子科技大學劉西洋教授研究團隊，經過5年鑽研合作的關於醫學圖像密集標註技術的最新研究成果，發表於《自然》雜誌的子刊《自然生物醫學工程》。
Nature Biomedical Engineering在線發表的文章首頁
記者獲悉，該「AI醫生」對定位眼前段圖像病變所在解剖部位，平均準確率為93.75%，該準確率在外部驗證中達到了眼科專家水平。
1772張圖像標註13404個解剖結構標籤
林浩添介紹，醫學圖像密集標註技術Visionome是一種基於解剖學和病理學特徵對醫學圖像進行密集標註的方法，與傳統圖片級分類標註方法相比，該技術可多產生12倍標籤，而這些標籤訓練出來的算法顯示了更好的診斷性能。
如何訓練「AI醫生」？林浩添介紹，醫學生在學習過程中，會基於少量精密解剖圖和病理圖，不斷加深對解剖學、生理學和病理學等學科的學習。而對於AI來說，圖像標註是所有人工智慧算法感知世界的基礎。基於此，團隊提出構想：在醫學圖像標註過程中，高質量的小樣本數據集也有潛力訓練出診斷性能優異的人工智慧算法。
團隊決定利用類似DNA序列分割的原理對醫學圖像進行分割：建立Visionome密集標註標準流程，組織25人專家標註團隊將1772張包含角膜炎、胬肉等感染、環境、年齡相關性疾病的眼前段圖像，按照14種解剖結構進行區域分割，對於6種病變部位按照54種病理性特徵進行密集標註，最終得到了13404個解剖結構標籤和8329個病理特徵標籤。
快速識別，結果「立等可取」
記者體驗了「AI醫生」問診的過程，操作人員通過裂隙燈拍照後，圖片實時上傳到系統，不到一分鐘，檢測結果就會顯示在屏幕上。如果眼睛有病變，「AI醫生」還會顯示出病變的位置，給予診斷建議。
目前，這個「AI醫生」可完成4項臨床任務。對於大規模篩查，即對眼前段圖像進行正常/異常判斷，它的準確率高達98.54%；對於綜合分診，即定位眼前段圖像病變所在解剖部位，平均準確率為93.75%；對於專家級評估，即針對特定解剖部位描述多項病理體徵，準確率均在為79.47%以上；對於多路徑診療建議，即綜合上訴診斷結果及患者自報告的症狀等信息，進行診療方案建議。上述模型準確率均在外部驗證中達到了眼科專家水平。
快速識別，結果「立等可取」
為了進一步評估系統的可延展性，團隊使用了20種系統未學過的眼病進行測試，包括眼科十大急症及其他複雜眼病如圓錐角膜、虹膜囊腫、視網膜母細胞瘤等，系統在此類疾病的大規模篩查場景中達到了84%的準確率。這意味著，該技術有望用於更多疾病。
「模塊化的數據，有點像『樂高』積木，可以根據需要拼插組合。在這個模式下，未來有機會建立可跨專科自動分割識別醫學圖像的結構化技術。」林浩添說，目前研究成果已進入臨床應用轉化階段，下一步，希望能夠以區塊鏈技術優勢與醫療健康數據傳輸共享技術相結合作為切入點，推動健康數據共享和醫學人工智慧「樂高」計劃在其他疾病學科的推廣應用。
【記者】朱曉楓
【通訊員】邰夢雲
【作者】 朱曉楓
廣東健康頭條
—— 分享新聞，還能獲得積分兌換好禮哦 ——