（一）項目背景

糖尿病是世界上較高發的慢性疾病之一，各種并發癥威脅著人類的生活質量。2020年，中國成年人糖尿病患病率達到12.8%，患者總數達到了約1.298億人。糖尿病眼底病變（DR）作為糖尿病的并發癥之一有著高發病率、高危害性、早期無明顯癥狀以及高可檢測性的特點。糖尿病人中幾乎每三個人就有一個人會發生DR，發病率較高。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）,并不會出現明顯癥狀，當患者出現視力下降等癥狀時再去檢查已經為時已晚損失的視力是無法恢復的。但是如果在DR早期就有科學的手段進行介入跟蹤診治，患者的視力一般都可以較好的保留，DR的早期篩查具有非常高的臨床意義。DR可以通過眼底相機直接拍攝眼底彩照來進行診斷，拍照較為簡單快捷并且成本較低，具有非常好的早期大規模篩查的特性。

然而，糖尿病是內分泌疾病而眼底彩照一般需要專業的眼科醫生來進行閱片。這無疑增加了兩科室的溝通成本,讓眼科醫生來進行大規模的早期篩查也增加了眼科醫生的機械勞動強度。眼科醫生應該投入更多的精力來進行眼科疾病精確的診斷和治療而不是投入大量的精力進行早篩。一個具有高精確度的能發現早期病變的診斷系統將能夠解決這一問題。

（二）項目簡介

該項目具備論文和軟著支持，在西安市第九醫院應用。技術核心：使用PyTorch深度學習框架，基于EfficientNet構建了眼底病變非增生型病變分期（國際分期分為五個不同嚴重程度，0期為無明顯病變4期為嚴重病變）模型接近國際先進水平。

基于Faster RCNN兩階段檢測網絡基本架構使用新的訓練方式對低分辨率的圖片進行超分以及改進的特征金字塔結構構建了最終的模型。我們提出的檢測模型在沒有使用預先分割mini patches進行訓練CNN網絡的情況下, 在E_ophtha_MA數據集上在(False Positives per Image)FPI>6時sensitivity大于0.8, 超過了目前已知的算法和醫生的表現。

（三）關鍵技術

該項目采用Lanczos插值方法進行圖像超分辨、卷積神經網絡進特征提取并采用優化的訓練方法和模型結構等可解決以下問題：

在DR分期算法中。結合臨床知識（例如MA的數量會與分期數字成正相關等）將5分類問題轉換成回歸問題。從而更好的預測了分期結果。

在DR分期算法中。使用多個不同深度，寬度的網絡進行特征提取將各個模型做bagging操作加權求和得到最終預測結果。更好的預測了分期結果，在Kaggle 2019年DR分期的數據上得到quadratic weighted kappa (QWK)為0.92左右。

在MA檢測算法中。通過Lanczos超分辨算法，保留微血管瘤的邊界信息并擴大檢測目標的大小，更能夠在深層的卷積神經網絡中保留足夠的信息從而達到較好的檢測效果。

在MA檢測算法中。通過針對MA檢測而改進的多尺度特征融合結構提高了檢測效果。

MA檢測算法大幅提高MA病灶檢測準確率。E_ophtha_MA數據集上在(False Positives per Image)FPI>6時sensitivity大于0.8，超過了目前已知的算法和醫生的表現。