雷锋网按：近日，第四届岭南眼科论坛暨第二届全国眼科人工智能大会在广州白云宾馆召开。
大会由广东省医师协会眼科分会、中国医药教育协会智能医学专委全国智能眼科学组主办，中山大学中山眼科中心、广东省医师协会眼科医师分会青年委员会、广东省眼科诊断与治疗创新工程技术研究中心承办。
本届大会以“Eye+AI”为主题，共设置70多个大会报告，内容涵盖眼角膜病、白内障、青光眼、眼底病、视光学、以及人工智能、生物大数据、新型成像技术在眼科的新进展等诸多热点研究领域，邀请来自海内外知名眼科专家及人工智能领域的知名学者，旨在全方位解读眼科专业诊疗技术最新发展趋势，分享眼科与人工智能结合的研究成果，探讨“Eye+AI“的未来发展方向。
主论坛前一天，12位嘉宾从AI技术与眼科实践出发，分别做了大会报告。第一环节由中科院计算所赵地、医院张光华、湖州师范学院吴茂念担任主持。
医院毕燕龙
大会开始，医院眼科主任毕燕龙做了开场报告《深度学习引领人工智能技术在眼科学领域的发展》。
毕燕龙分别从医学人工智能白皮书要点、融合深度学习的人工智能技术、深度学习技术在眼科学中的应用、深度学习技术在眼科学应用中潜在的挑战展开讲述。
毕燕龙谈到，随着AI技术的发展，它将为诊前、诊中、诊后全流程赋能。
如在诊前端，AI可进行预防、筛查、分诊；诊中端，可进行临床诊断、医技、临床治疗、住院；诊后端，可实现康复护理、愈后关怀，提升服务质量、节约医疗成本、医院运营管理、实现医疗服务线上线下一体化、医师培训、教学。
随后，他指出，临床辅助决医院医院应用前景广泛，医院，AI辅助诊断能够减少医生的误诊漏诊情况，提升医生诊断水平。医院，AI可通过数据反馈推动诊断更规范合理，提升医生效率。
毕燕龙也谈到，虽然深度学习可应用在糖网病、早产儿视网膜病变、年龄相关性的*斑变性、*斑部疾病、青光眼等疾病当中。但它也存在着诸多潜在挑战，如训练数据集的确定、有效性以及测试数据集、结果的可解释性以及深度学习的临床部署等问题。
最后，毕燕龙总结到，在眼科领域，深度学习技术已经应用于多种眼疾的检测，尤其对于常见眼底疾病的彩照和OCT评估。
未来研究的关键在于评价不同的深度学习系统的临床部署方案以及成本效益，如能汇集各方力量，优势互补，资源共享，统一监管将更快速促进AI医学的发展，尽管未来仍旧有许多挑战，但深度学习极大可能在十年内影响眼科学界，乃至整个医疗界。
湖州师范学院杨卫华
第二位嘉宾是湖州师范学院人工智能重点实验室主任杨卫华，他发表了题为《智能眼科数据库建设与设想》的报告。
杨卫华介绍到，眼科数据主要有三大特点：数据量大；数据结构化、规范化；数据种类丰富。
但当前眼科数据也存在着一定的问题，如己标注数据量不大、数据质量不高、数据缺乏统一标准（质量标准、标准标准等）。
除此之外，他认为现有的眼科数据库主要存在三大问题：
数据种类、形式较单一，多为图片形式数据量较小，数据孤岛，无法展现大数据优势数据标注准确性有待商榷，缺乏必要的特征关联信息而要想建立适合当前和未来人工智能研究的眼科数据库-特征信息关联的智能眼科数据库及管理系统，所需要的眼科数据特点包括：
1.数据形式丰富，包括但不限于图片、文本、语音、视频
2.数据置较大，数据种类丰富，包括DR、白内障、青光眼等
3.数据标注结果基本准确（标注人员经过培训，标注规范）
4.数据之间存在一定关联（如同一个患者的检查图片和文本）
针对这类数据库，则需要以下思路流程进行构建：智能眼科数据库（数据量大、病种齐全、区域性广）——数据标注（多名专家标注并引入专家信任度）——智能眼科知识库（增加眼科诊断知识的关联关系及推理）。
最后，杨卫华介绍到了智能眼科数据库其分别可以应用于数据标注研究、眼科培训系统、人工智能算法训练集及验证集、人工智能系统测试（标准化测试集）、人工智评价系统、眼科疾病关联信息及知识图谱和知识库构建，以及多模态数据应用开发。
南京航空航天大学万程
随后，南京航空航天大学电子信息工程学院万程教授发表演讲《基于深度学习的图像增强》。
万程分别讲述了DR眼底图像生成方法、DR眼底图像病灶点检测、血管分割cGAN和图像增强CycleGAN。
其中，文本至图像的DR眼底图像增强生成方法流程为：文本特征表示（以LSTM对文本描述进行编码）——血管图下采样（输入血管图像经过一系列卷积层下采样降低维度）——深度拼接（文本编码向量与血管下采样特征图在深度上进行拼接）——上采样（拼接后的特征图经过一系列反卷积层上采样得到生成图像）。
紧接着，万程详细介绍了血管分割cGAN的网络框架，其框架生成器的主网络生成眼底图像对应的血管数据，对应的子网络生成局部的血管（细节丰富）。之后网络分割的血管和标签分别与原图组成一个图像对，对多个判别网络进行训练，通过判别网络生成的类别信息更新生成网络。在这过程中，通过引入残差模块可提高模型性能，增加多尺度结构可提高校血管分割效果，而改进判别器网络结构可提高模型的判断能力。
而至于图像增强算法，主要分为三大类，分别为数据域方法（图像域算法：直方图均衡化、自适应伽玛校正；变化域算法：傅里叶变换、小波变换）、恢复模型方法（目标域参数估计：去雾、增强水下图像，如暗通道先验方法）和基于学习的方法（超分别：SRCNN、SRGAN；去雾：Cycle-Dehaze0）。
最后，万程对CycleGAN眼底图像增强模型结构图进行深入解读。
她指出，FakeB要尽可能地蒙骗判别，使增强后的图像更接近真实数据集B增强后的图像要求其基本结构不改变，重构的CycA应和A尽可能地相似。
北京理工大学李慧琦
紧接着，北京理工大学信息与电子学院教授李慧琦发表演讲《眼底图像处理-先验知识与数据驱动》。
“先验知识模型+机器学习”与“数据驱动的深度学习“孰优孰劣，一直以来都是医学AI研究中的热门争论议题。
针对这一问题，李慧琦通过系列的研究案例，对两种模式的效果进行对比。具体的分类任务和分类算法分别为：
一、图像分类任务
1.白内障筛查：二分类（0级、其他）
2.模糊度分级：模糊程度四分类（0级、1级、2级、3级）
二、图像分类算法
1.基于数据驱动（无先验特征提取）
2.基于先验特征：局域特征、全局特征。
经过一系列分析后，通过最终结果，李慧琦团队发现，无先验特征算法适合简单分类任务（如白内障检测二分类）；而先验特征在复杂分类任务中起到更重要的作用。
基于数据驱动算法分类结果，与现有算法比较：
无先验特征算法适合简单分类任务（如白内障二分类）无先验特征算法实现复杂分类任务效果有待提高ResNet区分1级与2级模糊图像能力较低而基于先验特征的眼底图像模糊度自动分级算法，其先验特征为基于医学背景知识，提取图像特征，该方法的目的则是提取先验特征，并设计特征分类器，从而实现模糊度的自动分级。
先验特征算法分类，其各种分类器，结合特征的分类结果多好于的那一模型特征；提出的EDST-MLP与DST-MLP分类器则优于其他分类器；基于先验特征的分类器方法适合复杂分类任务，若基于先验特征，浅层小规模神经网络拥有足够的表征能力，用来获得最佳分类结果。
随后，她得出结论：
l简单的分类任务（如二分类），可用数据驱动类算法；
l复杂的分类任务（如四分类），先验知识作用重要；
l基于先验特征，浅层的小规模神经网络即可；
l基于先验特征，结合不同类型特征的分类准确率高于单一类型的特征；
l提出的DST-ResNet与EDST-MLP算法分别在白内障检测与模糊程度分级任务中取得了现有算法的最高准确率；
最后，李慧琦概括了自己对人工智能另一种理解：人工智能中的“人工“指的是数据标注和参数调试，而智能则是先验知识（医工融合）+数据驱动。
福州大学余轮
第四位演讲嘉宾为福州大学生物与健康工程研究所院长余轮教授，发表了演讲《远程眼底筛查中的质量控制体系与人工智能分析》。
演讲开始，余轮谈到IDx-DR的获批对整个医疗AI行业意义重大，FDA曾表示，同样是糖网筛查，IDx与医生合作的模式非常优秀，他们尝试与医生联手解决各种问题，而Google的模式总是不断与医生进行PK。相比而言，他更加推崇IDx-DR模式。
“其实，Google及国内许多AI企业的糖网筛查背后的技术原理是一个“深度神经网络黑盒子”，他们的产品更多只能检测中晚期DR，但难以检测DR的早期轻度病变，而对于严重DR、*斑性病变、治疗方案等情况无法给予临床实际指导。”
随后，余轮谈到了AI-DR的标注问题，他介绍大，DNN有一大缺点逐渐变得越来越突显，即训练过程中需要消耗大量人类标注样本，而这对于小样本应用领域是难以做到的。但随着近几年深度学习研究和应用的深入，减少人类标注的方法得到普遍重视。
最后，余轮谈到行业为什么需要全流程的质量控制体。
他分别谈到四点，眼底图像的可用性是远程DR筛查的重要保证；无论医生或AI，高质量的图片是早期诊断轻度近视视网膜病变的重要保证；实时、持续、全流程的筛查质量控制体系和患者的隐私保护技术，让系统运行更加安全可靠；专利保护下独到的AI质控体系和25年远程判读会诊中心建设经验，面对海量市场，远程筛查市场并发规模和技术优势大。
南方科技大学唐晓颖
第一环节最后，南方科技大学助理教授唐晓颖发表了演讲《基于眼底彩照的糖尿病视网膜病变病灶检测》。
演讲初始，唐晓颖便提出一个问题，为什么当前整个行业非常需要做一个自动病变筛查系统？
因为检测一些微小的病变如小动脉瘤即便对于高级医师来说也是一项巨大挑战
在这种情况下，如果采用自动的算法，往往会达到一个非常优秀的效果。
唐晓颖谈到，病变检测可以看作是一种目标检测的方法，而目标检测则离不开深度学习。高质量的大数据则是深度学习解决医学问题过程中最关键的要素之一，然而在病变检测和分割的任务里，高质量的大数据却很难获取。
以眼底病变为例，如果做像素级的分割，眼底图像中的每一个有病变的像素，都需要手工进行标注，耗时耗力。
针对这个问题，唐晓颖团队和中山眼科中心团队进行了深入探讨：如果为每张图像进行像素级标注，单一张图像就至少需要六个小时。那么如何在保证减少医生标注时间的情况下，同时能得到更多高质量数据？这便是他们研究的重点。
为此，唐晓颖团队联合中山眼科中心采取了一种折中的方案，在其中一个项目中，他们主要