基于大规模临床数据深度学习的口腔疾病人工智能预防与诊断平台的构建

目的构建基于大规模临床数据深度学习的口腔疾病人工智能预防与诊断平台。方法本研究通过机器学习的智能辨识算法,对采集的海量口腔多模态影像大数据进行整理加工,通过口腔疾病的协同推理和智能分析、口腔疾病知识图谱的构建及口腔疾病演化预测等技术方法搭建人工智能预防与诊断平台。结果目前已构建了口腔疾病大数据库,基于影像分析的口腔疾病智能预防、诊断系统,以及结合协同推理与知识演化的口腔疾病预测分析系统和基于大数据云平台的人工智能预防与诊断平台。结论本平台有助于实现口腔疾病的早发现、早诊断与早治疗,特别是可引导口腔癌患者的早期治疗,降低民众就诊的经济成本,提高全民口腔健康水平。

人工智能应用于青光眼临床筛查及卫生效益分析

目的:探讨应用人工智能系统对青光眼患者的检出率、筛查的时间成本和经济成本,总结分析其应用于青光眼筛查的优越性与可行性。方法:回顾性研究。收集2019-2020年使用腾讯觅影眼底照片辅助诊断系统进行青光眼筛查的53700例受检者,2012-2018年使用北京同仁医院眼科研究所远程眼科会诊中心的493221例患者,邯郸眼病研究中接受基础眼病筛查的6716名受检者资料。评价人工智能筛查系统对青光眼的检出率,并采用Pearson x^检验,比较人工智能筛查系统与远程阅片平台、基础眼病筛查对于青光眼检出率的差异,并对三种筛查方式的时间成本和经济成本进行比较分析。结果:临床应用表明,其成本效益的可靠数据及主要指标:检出率、x^2值、时间成本、经济成本等效益显著。人工智能筛查系统对青光眼的检出率为6.56%,远程眼科会诊平台的检出率为2.78%,邯郸眼病研究的检出率为1.70%,人工智能筛查系统与另外两种模式对青光眼诊断检出率的差异有统计学意义(P<0.05)。而且使用人工智能筛查系统的患者其医疗时间成本和经济成本花费较低。结论:可行性分析表明,相较于远程眼科会诊平台和基础眼病筛查,人工智能筛查系统对青光眼的检出率较高,同时患者的时间成本和经济成本都得到了大幅度降低,这为青光眼筛查提供了一种有效而快捷的方式,值得临床推广。

眼底图像深度学习技术对屈光不正的智能诊断研究

目的:提出一种基于人类视觉注意力机制的RE-Net网络结构以使卷积神经网络(CNN)更适用于眼底相的屈光不正的智能诊断评估。方法:RE-Net由Res Net34作为骨干网络,进一步使用了上下文注意力模块,包括通道注意力机制和空间注意力机制,使其相应的通道发挥最大的作用,提高响应区域的权重。结果:使用了4358张眼底图像作为RE-Net的训练集。在包含485张眼底图像的测试集上,分类准确率分别为,高度近视93.3%,中度近视89.7%,轻度近视83.2%,轻度远视82.5%,中度远视79.5%,重度远视84.6%,平均分类准确率达85.5%,曲线下面积(AUC)为0.909,灵敏度为0.93,特异性为0.89, Kappa值为0.79 (x^2=23.21,P<0.05)。结论:基于深度学习的RE-NET人工智能诊断系统能较好进行屈光不正的诊断评估,有望为屈光不正提供一种新的筛查工具。