重磅突破！天河二号助推医学AI“乐高”计划，可智能高效诊断多种眼病

导 读

近年来，超算、大数据和人工智能技术的融合发展趋势日益明朗，海量数据为人工智能的发展提供基础，运算力的提升大幅推动人工智能进步，以超算、人工智能为核心的技术掀起新一轮智能化浪潮并赋能各行各业，包括医学人工智能领域。为进一步提升医学数据可用率和诊断准确率，中山大学中山眼科中心林浩添教授团队提出了医学人工智能“乐高”计划，依托“天河二号”，将计算机视觉技术与深度学习算法框架相结合。该计划的首个研发成果Visionome技术能够打通不同疾病学科的数据异质性壁垒，使用该技术还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。相关研究成果于近期在国际权威学术期刊《Nature Biomedical Engineering》成功发表，并进入临床转化应用。

医学人工智能“乐高”计划

首创医学图像密集标注技术Visionome

图像标注是所有人工智能算法感知世界的基础，但目前广大医学人工智能工作者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，形成数据孤岛，并导致现有人工智能算法难以应对跨学科场景。因此，提高数据利用率，建立一种可跨学科、多病种通用的医学数据标注技术，形成中国特色的医学人工智能发展模式，具有十分重要的意义。

为突破僵局，中山大学中山眼科中心林浩添教授团队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，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。

近期，林浩添教授团队与合作单位基于广州超算丰富多样的计算资源、强大的计算能力以及稳定可靠的生物医药平台，成功研发了一种医学数据标注技术——Visionome。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。该项研发成果于6月底成功发表在Nature子刊《Nature Biomedical Engineering》（2019 IF=18.95），并已成功实现临床转化应用。目前，该研究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。

▲ 林浩添教授团队合影

Visionome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了更好的诊断性能。”林浩添表示，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”。

利用人类医生学习曲线

创新医学人工智能学习模式

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。研究团队观察到，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。那能否借鉴人类医生学习曲线，创新医学人工智能的学习模式呢？

Visionome技术密集标注原理

团队遂提出构想：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位专家组成标注团队将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更高的诊断准确率。

“超级大脑”强大算力

助建多功能眼前段智能评估系统

在“超级大脑”天河二号的强大算力和稳定计算资源的支持下，研究团队将计算机视觉技术与深度学习算法框架相结合，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。

该系统可完成4项临床任务

01

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%

02

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%

03

专家级评估

即针对特定解剖部位描述多项病理体征，准确率均超过79.47%

04

多路径诊疗建议

即综合上诉诊断结果及患者报告的症状等信息，进行诊疗方案建议

该裂隙灯图像智能评估系统准确率均在外部验证中达到了眼科专家水平。

Visionome临床测评表现出色

超算高效稳定云服务器保驾护航

临床试验是检验人工智能临床应用的重要评判方法，系统稳定性、计算效率及数据传输性能等因素均会对测评结果和用户体验产生直接影响。因此，团队将裂隙灯图像智能评估系统部署在广州超算“天河二号”高效稳定的云服务器上，使患者个人或医生可直接通过手机或电脑按需访问Visionome。团队还进一步设计了前瞻性临床试验，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。临床试验结果显示，该系统能出色地完成4项临床任务。调查问卷显示，患者愿意在家和诊所使用该系统，因为这能加深他们对于疾病的理解，缓解就医心理压力。

▲评估系统可针对4项临床任务快速生成评估报告

不仅如此，团队还使用了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20种系统未学过的眼病进行测试，进一步评估系统的可延展性。系统在大规模筛查场景中的准确率高达84.00%，这进一步说明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。

“广州超算为我们的研究提供了丰富多样的计算资源。其庞大的CPU集群、高配置的内存和充裕的存储空间，为本研究中算法构建、特征提取、数据预处理及结果预测等核心研发过程的顺利进行提供了强大支撑。此外，其可定制化的GPU资源大幅提高了深度学习模型训练任务执行的效率，明显缩短了训练时间。” 林浩添教授介绍道，“同时，广州超算良好的系统稳定性、强大的计算效率及便捷的数据传输性也为我们的临床应用提供了保证”。

据悉，中山大学中山眼科中心未来还将依托广州超算的计算资源，建立可跨专科自动分割识别医学图像的结构化技术，并使用区块链技术纳入更多疾病学科医学数据，致力于实现医学人工智能“乐高”计划在其他疾病学科的推广应用。

热门文章推荐超算— — NSCC-GZ — —
图文内容参考自中山大学新闻网特别鸣谢：林浩添、李王婷整理与撰写：岳苹、万园园微信编辑：岳苹
初审：王栋审核：万园园审核发布：李奈青