来源：AI掘金志

编辑：鲁鉴达

指南涵盖了AI筛查系统从构建到应用的全过程，从图像的获取、特征的提取量化、特征值的选择降维、模型的训练以及性能评估都给出了明确的建议。

雷锋网AI掘金志消息，近日，第四届岭南眼科论坛暨第二届全国眼科人工智能大会在广州举办。大会以“Eye+AI”为主题，由广东省医师协会眼科分会、中国医药教育协会智能医学专委全国智能眼科学组主办，中山大学中山眼科中心、广东省医师协会眼科医师分会青年委员会、广东省眼科诊断与治疗创新工程技术研究中心承办。

本次大会设置了近80个主题演讲，与人工智能相关的主题有“AI技术与眼科实践”、“Eye+AI”、“眼科AI技术应用”，涉及青光眼、白内障、角膜病、糖尿病视网膜病变等多个关注度较高的病种。

大会同期进行了基于眼底照相的DR筛查AI系统应用指南的发布推广仪式。全国智能眼科学组组长、大会主席袁进教授对此进行了解读。

袁进教授来自中山大学中山眼科中心。他表示，人工智能和眼底相机的结合，无论从目前的基础研究还是临床研究，都充分展示了人工智能在眼底筛查，特别是糖网筛查中的价值和应用前景，也为医生带来眼病筛查的全新模式。

据AI掘金志了解，全国智能眼科学组花费了将近一年的时间，历经50多稿的讨论修改，最后将中英文版本同步发表在《中华实验眼科杂志》以及国际的临床实践指南平台上。

指南涵盖了AI筛查系统从构建到应用的全过程，从图像的获取、特征的提取量化、特征值的选择降维、模型的训练以及性能评估都给出了明确的建议。

在袁进看来，基于这样的一个平台，企业不断地打造更好的算法模型，在功能诊断、远程判断、全程预警等方面发挥更好的作用。

以下为袁进教授的演讲内容，AI掘金志做了不改变原意的编辑。      

袁进：非常感谢大家参加此次大会。我们这次发布的临床指南会为我们的研究提供框架性的建议。我们为什么要制定这样一个指南？这个指南在糖尿病视网膜筛查的临床应用当中会有怎样的启示？这需要我们进行深入思考和解读。

根据公开的医疗统计数据显示，中国的糖尿病患病率逐年增加，中国有将近1.39亿的糖尿病患者，是世界上糖尿病患者最多的国家。

糖尿病在发病早期就会引起微血管病变，从而导致糖尿病视网膜病变。        

糖尿病视网膜病变在糖尿病患者中的发病率预估在18%-35%之间，糖尿病视网膜病变的发展会导致视力损伤。          

所以，对糖尿病视网膜病变早期的发现和干预，是防止视力损伤的重要环节。  

实际上，从国家到地方，对糖尿病视网膜病变的筛查都非常重视，有非常多的平台和项目去做糖尿病视网膜病变的筛查。                  

但是实际上，目前的筛查率不足10%。          

为什么大家对糖尿病视网膜病变这么重视，也建立了很好的平台，却不能进行有效的筛查？                  

这个问题其实也是医疗领域的一个通用性问题——“三缺问题”。      

缺专业的诊断人才，中国目前注册有3.2万名眼科医生，眼底的专科医生大概只有3000到4000人。                  

医生工作负担重，没有多余精力去做人群筛查。          

此外，基层缺乏专业的诊断设备，也缺乏对图像检查结果进行的正确诊断解读的系统。                  

这是筛查过程中面临的主要问题和挑战。          

AI技术和眼科的深度结合，为问题的解决打开了一扇新的大门。                  

人工智能和眼底相机的结合，无论从目前的基础研究还是临床研究，都为我们充分展示了人工智能在眼底筛查，特别是糖尿病视网膜病变筛查中的价值和应用前景，也为我们带来眼病筛查的全新模式、全新阶段。      

糖尿病视网膜病变筛查是AI领域研究中非常热门的领域，很多AI企业都涉及到此方面。                  

但是在项目的研究和落地过程中，会遇到很多的挑战和问题。          

首先是数据来源问题，是医院提供的数据，还是从公开数据集来的数据，还是花钱去购买的数据？                  

这些数据有没有经过标准化，有没有经过清洗？          

其次，使用什么算法？                  

需要注意的是网络上有很多开源算法，这降低了AI研究的门槛，但某种程度上也降低了算法的准确性。

2019年6月份的一份调查报告的数据显示：            

86.2%的AI研究者使用的是开源的学习框架。                  

那些根据自己的需求去设计，做算法模型的大概只有1.6%。                  

这里面会衍生出一个问题：                  

开源开发框架是否适合我们想要解决的专项问题？                  

是否需要对如何选择算法模型进行相应地规范？          

算法模型在理论上可能得到很好的结果，但是进入到真实世界中会怎样？                  

在进入临床以后，我们应该如何开展多中心、大规模的临床研究？                  

要怎样建立一个规范的流程，形成一个反馈机制，去验证AI筛查系统的敏感度和准确度，这都是我们面临的挑战。          

     如何解决这些问题，将决定我们的AI研究能够走多深、走多远，决定了研究是否严谨、是否科学。          

基于此，我们组建了智能眼科学组这样一个平台。                  

这是一个很好的学科交叉融合平台。                  

我们邀请了“中检院”（中国食品药品检定研究院）医疗器械相关标准的制定专家、临床专家、算法专家一起来解决问题，来探讨人工智能筛选系统应该遵循一个什么样的标准和规范。          

我们首先梳理阅读了人工智能和糖尿病视网膜病变的总共130余篇文献。                  

同时我们也参考了糖尿病眼底视网膜病变防治方面的临床指南，包括国内的四个指南，以及国际上的PPP、ICO、IDF组织推荐的眼底筛查的指南。          

在这里面需要对文献的证据等级进行分级。                  

我们一般认为1A、1B、2B、2C等级的文献是证据强度比较高的，这些高质量证据占到了60%以上，那么基于这样高强度的证据支持，我们才能够给出规范性的建议。    

我们学组花费了将近一年的时间，历经50多稿的讨论修改。                  

最后将中英文版本同步发表在《中华实验眼科杂志》以及国际的临床实践指南平台上。          

指南涵盖了AI筛查系统从构建到应用的全过程，从图像的获取、特征的提取量化、特征值的选择降维、模型的训练以及性能评估都给出了明确的建议。          

首先我们对数据集的质量和数量提出要求，指南要求训练集至少来自于两家以上的独立的医疗机构。                  

如果不是有特殊的机型要求，我们要求至少五种品牌以上的眼底相机，这样才能具有一个跨平台的验证效应。          

针对疾病每一级要求至少要一千张以上的训练集。                  

因为我们开发的是针对中国人的筛查平台，所以95%以上的数据应该是来自于黄种人，而不是来自于其他人种的公共数据集。          

同时，我们还需要有至少500个糖尿病视网膜病变以外的其他眼底疾病作为参照、500个正常人作为对照，这是一个基本的数据量要求。          

有了训练集以后，才可以进一步对图像进行标注。                  

标注人员要不少于3名，必须要有相应资质，还要遵循多数同意的规则。                  

标注主要完成两个任务：                  

第一个是对疾病诊断进行定性，是否可以明确诊断；                  

第二个是对阳性体征进行定量标注，有助于后面的病情等级的划分。          

接下来是测试集的构建，测试集需要进行分层的随机抽样，同样也有数量的要求。                  

对于DR（糖尿病视网膜病变）要求至少有5000张以上的病例。            

I期以上至少要求有2500张，同时结合统计学的要求，要进行灵敏度、特异度、ROC值的评判。          

同时，还要求对算法模型进行重复性的评价，包括算法本身的重复性、拍照的重复性，各方面全部都要进行验证。          

算法的落地还需要对硬件平台做出要求。                  

我们的硬件平台主要涉及到采集所使用的眼底相机。                  

指南里对眼底相机的采集参数，包括背景的曝光补偿、解析度等等都有明确的规范。                  

这些指标都会对AI算法的准确性产生很大的影响。          

有了硬件要求后，还需要对拍摄标准进行规范。                  

图像采集根据ETDRS标准，7方位。                  

这更适合疾病的精细化区分。                  

筛查一般有两种视野拍照方法，一种是单视野法，一种是双视野法。          

单视野要求黄斑和视盘的连线的中点作为中心大于60度。          

如果是双视野，一个以黄斑为中心，一个以视盘为中心。                  

那么这样可以得到更多有效的数据。    

同时还需要建立图像质控标准。                

 没有质控标准，假阳性或者假阴性率会非常高。                  

这也是为什么很多算法系统一旦离开了测试集，进入到真实世界后，会出现显著的准确性下降。                  

质控标准针对不同等级、不同环节都有规定，同时可以对异常的图像去寻找原因和进行校正。          

接下来是报告的输出，大家在临床中也接触过不同类型的输出报告。                  

报告的基本要求有受试者和信息图像设备的信息。          

此外，还有AI系统的信息，包括你用的是什么算法，你使用的哪一代的AI系统，因为后面系统会不停地去迭代。                  

同时，还包括质量评估的标准，和筛查的初步结果。          

还有很重要地一点是权责说明。                  

目前，AI只能作为临床辅助决策，它还不能取代医生对疾病做出独立诊断，这是非常重要的一点。    

有了这个系统后，我们接下来怎样去做临床地验证和评估？          

在指南里面我们结合了AI和疾病的特点给出了建议。                  

针对1型和2型糖尿病，在没有明确发现糖尿病视网膜病变之前，应该在首次眼底检查后每年进行一次筛查。                  

对于高危情况例如妊娠糖尿病，可能每3-12个月进行一次筛查。                  

如果病情较重，可以1-3个月。                  

此外，还要根据视力的变化，如果矫正视力大于0.6，没有明显的眼底病变，可以1年筛查一次。                  

如果有明显视力损害，矫正视力小于0.6，病变在1期和2期，应该保持每3个月一次随访。                  

如果病变在3期和4期，需要临床医生来判断随访时间。          

我们借助AI筛查系统，不仅可以完成筛查任务，还可以建立随访队列，对病情进行全程监控。                  

在这个过程中，随着筛查的病人的数据量越来越大，这时候会有数据存储和安全的要求。          

我们在做算法研究的时候，不管是其他机构提供的数据还是后期真实世界的研究，首先要对数据进行分类，究竟是结构化数据还是非结构化数据；                  

然后进行数据的脱敏，患者的个人信息不能显示在系统中；                

 之后，再进行数据清洗和多元性的数据融合，这都需要建立一个很好的数据的存储和纳入体系。          

同时，还要建立安全性的标准，因为数据安全也非常重要，之前在一些医疗机构已经出现了数据外泄，以及医院数据库被外网黑客攻击的情况。                  

数据安全非常重要，AI本身就是基于医疗大数据的研究。          

我们拥有了这样一个全链条的指南，它从数据的采集到数据的标注，从算法模型的建立测试到硬件的要求，从拍摄的标准质控到应用后的随访，都给出了一个完整的建议。                  

它会很好地帮助我们以后规范地开展临床研究。          

指南在发布不到三周的时间内，展示超过7万余篇次。                  

很多知名期刊页面都对我们的指南进行了链接和推广。                  

所以基于这样的一个平台，不断的去打造更好的算法模型，更规范的去推广，将来可以做到功能诊断、远程判断、全程预警，迎来一个人工智能在眼科的新时代。          

国家已经对人工智能提出了一个非常高的战略的要求，这将是我们国家2025年新时代的主要规划。                  

在这样一个背景下，我们在推动眼科AI的进一步的发展过程中，需要更多的同道一起共同努力。                  

让我们一起携手打造一个属于我们的眼科AI新时代，谢谢大家。