鹰瞳Airdoc联合多家医疗机构开发验证抗干扰白内障自动诊断模型性能提升

几乎每个老人都会和白内障打交道据中华医学会眼科学分会统计，我国60—89岁人群白内障发病率约为80%，90岁以上人群高达90%以上

如何利用人工智能技术实现白内障的早期发现和准确识别，已成为最近几年来国内外眼科医生积极探索的重要课题之一。

最近几天，在中国人民解放军总医院，北京清华长庚医院，上海市北医院，艾康集团和北京盈通科技发展有限公司联合发表的一项研究中，研究人员创新性地开发并验证了一种抗干扰的白内障自动诊断模型在充分考虑真实复杂场景应用的前提下，将原来的二类标签调整为三类标签，增加了对图像质量的识别，模型性能提高了10%左右这项研究成果发表在《细胞和发育生物学前沿》上

基层的白内障早期筛查很难开展。

眼底拍照+AI显现优势

白内障是世界上第一致盲眼病伴随着人口老龄化的加速，白内障的发病率和绝对人数逐年上升

早期诊断和及时手术可以有效治疗白内障，提高患者的视力和生活质量可是，在中低收入国家的基层医疗机构中，白内障直到发展到晚期甚至肉眼可见症状时才能得到诊断

同时，我国眼科医生只有4.48万人，存在眼科医疗资源分布不均的问题在现有的三级医疗模式下，很难实现白内障的早发现，及时转诊，及时治疗

目前，裂隙灯相机图像因其光学特性和易读性在白内障诊断中得到广泛应用，但在偏远地区使用时仍存在局限性，如便携设备不足，专业操作人员不足等相比之下，眼底照相在效率和可操作性上更有优势

伴随着人工智能技术在疾病诊断中的广泛应用，一些研究开始关注利用人工智能技术自动检测白内障其中，眼底照片与人工智能技术的结合被视为实际应用场景中较为可行的白内障自动检测方案

创新性地提出了三类标签

性能提高了约10%

本研究旨在利用人工智能技术对眼底照片进行识别，构建快速无创的白内障诊断算法模型，从而帮助大规模白内障筛查。

考虑到在实际应用场景中，经常会出现由于拍摄者技术不到位或患者配合不当导致眼底照片质量缺陷的问题同时，这些存在质量缺陷的照片由于成像特征模糊，容易被误认为是白内障，可能会降低白内障模型检测的性能

因此，不同于以往的研究只使用质量好的眼底照片来建立模型，本研究开发并验证了一种基于眼底图像的抗干扰白内障人工智能诊断模型。

首先利用质量识别模型生成与非白内障图像质量相关的虚假标签，将原来的两类标签调整为三类，引导模型区分白内障和图像质量差的非白内障然后根据这三个分类标签，提出了一种基于卷积神经网络的白内障分类模型

基于卷积神经网络的白内障分类模型

在内部验证和外部测试中，模型表现出稳健的性能，白内障检测人群的受试者工作特征曲线下面积分别为91.84%和91.62%这说明研究人员提出的抗干扰模型在图像质量较差的干扰下仍能达到较高的准确率，对大规模白内障筛查有一定的帮助

为了验证抗干扰模型的鲁棒性，研究人员还设置了控制实验，比较了原始两类标签训练模型的性能结果表明，与在原始两类标签上训练的模型相比，本文研究的抗干扰模型性能提高了10%左右这说明研究人员提出的白内障人工智能诊断模型在真实的应用环境中能够更准确地筛查出白内障人群

内部和外部测试结果的验证

在现有医学模式下，应用人工智能模型诊断白内障是缓解医疗资源不足，降低筛查成本的良策本研究提出的基于抗干扰眼底图像的白内障智能诊断模型，有助于白内障的早期筛查和诊断，及时治疗，提高患者的视力和生活质量