糖尿病视网膜病变的早期筛查系统

（一）项目背景

糖尿病是世界上较高发的慢性疾病之一，各种并发症威胁着人类的生活质量。2020年，中国成年人糖尿病患病率达到12.8%，患者总数达到了约1.298亿人。糖尿病眼底病变（DR）作为糖尿病的并发症之一有着高发病率、高危害性、早期无明显症状以及高可检测性的特点。糖尿病人中几乎每三个人就有一个人会发生DR，发病率较高。DR患者失明的概率是正常人的25倍，DR患者失明是全球成年人失明的主要原因之一。DR早期一般只有眼底微血管瘤（MA）,并不会出现明显症状，当患者出现视力下降等症状时再去检查已经为时已晚损失的视力是无法恢复的。但是如果在DR早期就有科学的手段进行介入跟踪诊治，患者的视力一般都可以较好的保留，DR的早期筛查具有非常高的临床意义。DR可以通过眼底相机直接拍摄眼底彩照来进行诊断，拍照较为简单快捷并且成本较低，具有非常好的早期大规模筛查的特性。

然而，糖尿病是内分泌疾病而眼底彩照一般需要专业的眼科医生来进行阅片。这无疑增加了两科室的沟通成本,让眼科医生来进行大规模的早期筛查也增加了眼科医生的机械劳动强度。眼科医生应该投入更多的精力来进行眼科疾病精确的诊断和治疗而不是投入大量的精力进行早筛。一个具有高精确度的能发现早期病变的诊断系统将能够解决这一问题。

（二）项目简介

该项目具备论文和软著支持，在西安市第九医院应用。技术核心：使用PyTorch深度学习框架，基于EfficientNet构建了眼底病变非增生型病变分期（国际分期分为五个不同严重程度，0期为无明显病变4期为严重病变）模型接近国际先进水平。

基于Faster RCNN两阶段检测网络基本架构使用新的训练方式对低分辨率的图片进行超分以及改进的特征金字塔结构构建了最终的模型。我们提出的检测模型在没有使用预先分割mini patches进行训练CNN网络的情况下, 在E_ophtha_MA数据集上在(False Positives per Image)FPI>6时sensitivity大于0.8, 超过了目前已知的算法和医生的表现。

（三）关键技术

该项目采用Lanczos插值方法进行图像超分辨、卷积神经网络进特征提取并采用优化的训练方法和模型结构等可解决以下问题：

在DR分期算法中。结合临床知识（例如MA的数量会与分期数字成正相关等）将5分类问题转换成回归问题。从而更好的预测了分期结果。

在DR分期算法中。使用多个不同深度，宽度的网络进行特征提取将各个模型做bagging操作加权求和得到最终预测结果。更好的预测了分期结果，在Kaggle 2019年DR分期的数据上得到quadratic weighted kappa (QWK)为0.92左右。

在MA检测算法中。通过Lanczos超分辨算法，保留微血管瘤的边界信息并扩大检测目标的大小，更能够在深层的卷积神经网络中保留足够的信息从而达到较好的检测效果。

在MA检测算法中。通过针对MA检测而改进的多尺度特征融合结构提高了检测效果。

MA检测算法大幅提高MA病灶检测准确率。E_ophtha_MA数据集上在(False Positives per Image)FPI>6时sensitivity大于0.8，超过了目前已知的算法和医生的表现。