北京时间6月23日上午11时，中山大学中山眼科中心林浩添教授、刘奕志教授和西安电子科技大学刘西洋教授研究团队，经过5年钻研合作的关于医学图像密集标注技术的最新研究成果，发表于《自然》杂志的子刊《自然生物医学工程》。

Nature Biomedical Engineering在线发表的文章首页

记者获悉，该“AI医生”对定位眼前段图像病变所在解剖部位，平均准确率为93.75%，该准确率在外部验证中达到了眼科专家水平。

1772张图像标注13404个解剖结构标签

林浩添介绍，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，与传统图片级分类标注方法相比，该技术可多产生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。

如何训练“AI医生”？林浩添介绍，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。而对于AI来说，图像标注是所有人工智能算法感知世界的基础。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。

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1772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13404个解剖结构标签和8329个病理特征标签。

快速识别，结果“立等可取”

记者体验了“AI医生”问诊的过程，操作人员通过裂隙灯拍照后，图片实时上传到系统，不到一分钟，检测结果就会显示在屏幕上。如果眼睛有病变，“AI医生”还会显示出病变的位置，给予诊断建议。

目前，这个“AI医生”可完成4项临床任务。对于大规模筛查，即对眼前段图像进行正常/异常判断，它的准确率高达98.54%；对于综合分诊，即定位眼前段图像病变所在解剖部位，平均准确率为93.75%；对于专家级评估，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；对于多路径诊疗建议，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。

快速识别，结果“立等可取”

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，系统在此类疾病的大规模筛查场景中达到了84%的准确率。这意味着，该技术有望用于更多疾病。

“模块化的数据，有点像‘乐高’积木，可以根据需要拼插组合。在这个模式下，未来有机会建立可跨专科自动分割识别医学图像的结构化技术。”林浩添说，目前研究成果已进入临床应用转化阶段，下一步，希望能够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，推动健康数据共享和医学人工智能“乐高”计划在其他疾病学科的推广应用。

【记者】朱晓枫

【通讯员】邰梦云