眼底项目经验

 

---

可解释性不足问题

今天下午和腾讯眼底项目人员讨论, 他们不准备做全身性的多疾种, 因为深度学习模型可解释性不足, 就导致决策责任问题。

我放心了, 也好 少一个不差算力、数据、算法、市场的对手。

腾讯眼底项目负责人说，虽然不会做这方面商业化，但可以合作科研。

另一方面，我觉得竞争非常好，现在百度、阿里、腾讯、鹰瞳甚至谷歌都在做视网膜AI这件事。

鹰瞳Airdoc目前领先了一大截，其实挺希望大家一起来解决更好。

我们不仅是为了赢得竞争，我们最终共同的敌人是疾病和衰老，对抗疾病和衰老的任何力量都是我们的战友，包括医院、医生、保险、药企和同行公司。

眼底项目有多牛逼

• 这个眼底项目，不仅可以看眼睛疾病，还能看全身疾病

• 而且天花板是1000多种疾病，更有意义的是能看200多种慢病
• 更牛逼的是，不仅可以看现在有没有得病，还能预测10年后、15年后得病的风险

可解释性不足解法

其实可解释性不足, 是能解决的。

使用SAM病灶组织分割模型，细致分割眼底图片中的关键信息，如血管、视杯盘及关键病灶，如出血、渗出、棉絮斑等，有效提高模型的可解释性，实现从黑盒到白盒的转变。

• 先多任务深度学习模型：后续采用多任务分类的深度学习模型，提升了对眼底图像的理解和表达能力，但存在可解释性问题。

• 后SAM病灶组织分割模型：开发了SAM模型，通过精细分割眼底图像中的关键标志物和病灶，增强了模型的可解释性，将“黑盒算法白盒化”。

数据、算力、算法都免费送

这个项目个人也能做。

• 数据方面：100多万张眼底数据-https://debroon.blog.csdn.net/article/details/137159481、kaggle
• 算力方面：阿里云注册就送 3 个月 V100，1A100 速度 是 V100 的 155%，1V100 速度 是 P100 的3500%，这个GPU已经很好了
• 算法方面：YOLOv8（速度、性能好）、Resnet101（基础版本吧）、ResNet2d（左右眼）、SAM，都能直接调用

不仅预测当下，还能预测未来

尽管现状检测的准确率已较高（90%以上），还能用积累的大量眼底图像队列数据，预测患者未来眼底疾病的发展，实现提前干预。

收集了眼底照片，还有 ICVD（心血管） 十年风险预测模型需要的指标，包括年龄、性别、总胆固醇、BMI、收缩压、糖尿病和吸烟史。

有了这七个指标后，我们通过模型，把每个受试者的ICVD十年风险给计算出来。

计算出来后，我们给每个受试者的眼底照片进行标注，告诉计算机（人工智能）这张照片它对应的十年风险是多少。然后基于这种海量的数据，让机器去深度学习，就构建了从眼底照片直接到ICVD十年风险的关联性。

未来我们只要拍摄眼底照片，通过这个人工智能的模型，就可以快速地、自动地把这个十年风险的得分计算出来。

治未病，让患者提前有意识到要改变生活方式。

看一下眼睛，就能收到一份由人工智能分析包含数十种病变和健康风险的检测报告。

报告详细展示了眼底异常项、健康风险跟踪、视网膜年龄，以及出血、渗出面积及数量等量化分析指标等，起到一“眼”看健康的效果，助力诊疗和服务能力提升。

这个治未病模式也能应用到其他疾病上。

和慢病管理整合，形成一个实时健康检测生态

最初，算法看眼底病可以做到快和准，很多合作的医生不会有什么感觉，因为他也可以看。

从视网膜上识别出糖尿病时，他也觉得这没什么。

但当我们说，从上面还可以识别男女、年龄、是否吸烟等等，他才开始感兴趣。

等做得更好一些，比如现在可以直接识别血脂粘稠度、糖尿病前期等，医生就觉得更有意思了，就会说咱们来合作搞点啥。

因为“糖前”无法直接看出来，又有潜在的市场需求。

之所以从血管、神经开始做，就是因为中风和心梗带来的死亡人数，比肿瘤要多很多。

我自己身边认识的不少人都是因为心梗去世的。而且没有人是突然就中风或是心梗了，他可能有很长期的风险积累，这期间任何一个时间窗口，我们通过观察视网膜上的血管变化，就有可能会看到问题。

通过视网膜可以识别糖尿病、高血压、心脑血管疾病等常见的全身性的慢性病，最多可到200多种。