近日，西安交通大學(xué)網(wǎng)絡(luò)空間安全學(xué)院沈超、藺琛皓教授團隊的研究成果《面向糖尿病型視網(wǎng)膜病變檢測的可解釋性病灶學(xué)習(xí)與生成》（Explainable Lesion Learning and Generation for Diabetic Retinopathy Detection）發(fā)表于國際人工智能聯(lián)合會議(IJCAI 2020/CCF-A類會議)的計算疾病學(xué)專題研討會(Disease Computational Modeling Workshop)，并從參會的國內(nèi)外論文中脫穎而出，唯一入選“最佳論文獎”。論文的第一作者為藺琛皓，通訊作者為沈超，共同作者為朱炯歷、胡鵬偉、王騫。
糖尿病引起的視網(wǎng)膜病變（以下簡稱糖網(wǎng)�。┦侵欣夏耆艘暳适У闹匾蛑弧Ｄ壳�，國外糖網(wǎng)病識別技術(shù)已可為護理醫(yī)師提供臨床決策的工具，糖網(wǎng)病識別的算法也在臨床應(yīng)用中有良好的輔助診療效果，因此，探索一種適應(yīng)于國內(nèi)可以大規(guī)模、高精度自動診斷的技術(shù)具有重要價值。
西安交通大學(xué)該成果采用人工智能醫(yī)療影像分析技術(shù)，結(jié)合深度學(xué)習(xí)算法的可解釋性研究，針對糖網(wǎng)病的自動診斷及診斷結(jié)果具有可解釋性的問題，提出了一種基于可解釋性病灶學(xué)習(xí)及生成的醫(yī)療影像病癥檢測方法。藺琛皓教授表示，團隊致力于人工智能技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用研究，圍繞人工智能算法可解釋性及智能醫(yī)療影像識別問題，基于糖網(wǎng)病檢測的應(yīng)用場景，通過設(shè)計的帶有門機制的多層感知算法，充分利用可解釋性的影像結(jié)果，成功分離出置信病灶。
近幾年，利用人工智能深度學(xué)習(xí)算法的醫(yī)療影像識別及分析取得了一定的成功，但采用深度學(xué)習(xí)算法獲得的診斷結(jié)果不具備可解釋性的問題無法取得醫(yī)生及患者的信任。而該團隊采用設(shè)計的自適應(yīng)變換融合算法，將提取得到的一系列病灶經(jīng)過隨機的、可適應(yīng)性的變換，融合入隨機選取的作為“背景”的無病灶眼底圖像，基于此迭代式地生成一系列新的模擬病理圖像，并將生成的樣本加入糖網(wǎng)病識別模型的訓(xùn)練。通過不斷迭代完成交替的生成與訓(xùn)練步驟，使得模型學(xué)習(xí)到更準確的病灶特征，從而能夠提取更可信的病灶特征。
此外，該方法還能提升糖網(wǎng)病識別模型的精確度，可在大規(guī)模眼底影像中快速發(fā)現(xiàn)視網(wǎng)膜病變并知曉病變程度，從而更有利于診療方案的實施，盡最大可能防止因病致盲，改善患者生活質(zhì)量。
未來，該方法還將拓展應(yīng)用于其他醫(yī)療影像的病灶識別，如新冠肺炎影像識別、癌癥影像識別等。研究團隊目前已搜集整理現(xiàn)有的新冠肺炎影像數(shù)據(jù)集，如加州大學(xué)圣地亞哥分校、Petuum開源的COVID-CT 數(shù)據(jù)集及蒙特利爾大學(xué)發(fā)布的CT 掃描和胸部 X 射線covid數(shù)據(jù)集，并采用團隊提出的算法在數(shù)據(jù)集上進行實驗測試。 |
