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(tuán)隊(duì)的研究成果《面向糖尿病型視網(wǎng)膜病變檢測(cè)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(guó)際人工智能聯(lián)合會(huì)議(IJCAI 2020/CCF-A類(lèi)會(huì)議)的計(jì)算疾病學(xué)專(zhuān)題研討會(huì)(Disease Computational Modeling Workshop)，并從參會(huì)的國(guó)內(nèi)外論文中脫穎而出，唯一入選“最佳論文獎(jiǎng)”。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?xì)v、胡鵬偉、王騫。
糖尿病引起的視網(wǎng)膜病變（以下簡(jiǎn)稱(chēng)糖網(wǎng)病）是中老年人視力喪失的重要原因之一。目前，國(guó)外糖網(wǎng)病識(shí)別技術(shù)已可為護(hù)理醫(yī)師提供臨床決策的工具，糖網(wǎng)病識(shí)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(guó)內(nèi)可以大規(guī)模、高精度自動(dòng)診斷的技術(shù)具有重要價(jià)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(duì)糖網(wǎng)病的自動(dòng)診斷及診斷結(jié)果具有可解釋性的問(wèn)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(cè)方法。藺琛皓教授表示，團(tuán)隊(duì)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(shí)別問(wèn)題，基于糖網(wǎng)病檢測(cè)的應(yīng)用場(chǎng)景，通過(guò)設(shè)計(jì)的帶有門(mén)機(jī)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(shí)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(wèn)題無(wú)法取得醫(yī)生及患者的信任。而該團(tuán)隊(duì)采用設(shè)計(jì)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(guò)隨機(jī)的、可適應(yīng)性的變換，融合入隨機(jī)選取的作為“背景”的無(wú)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(shí)別模型的訓(xùn)練。通過(guò)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(zhǔn)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(shí)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(shí)施，盡最大可能防止因病致盲，改善患者生活質(zhì)量。
未來(lái)，該方法還將拓展應(yīng)用于其他醫(yī)療影像的病灶識(shí)別，如新冠肺炎影像識(shí)別、癌癥影像識(shí)別等。研究團(tuán)隊(duì)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(kāi)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(xiàn)covid數(shù)據(jù)集，并采用團(tuán)隊(duì)提出的算法在數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)測(cè)試。 |
