人工智能（AI）在醫(yī)學領域已經(jīng)有了一系列的研究成果，并且其中一部分已經(jīng)在臨床實踐中應用。隨著AI技術的不斷發(fā)展，通過眼底成像進行自動眼病篩查已成為研究人員和臨床醫(yī)生關注的熱門話題。在眼科領域，眼底成像是眼科疾病篩查和診斷的主要方式，眼底圖像的質(zhì)量對AI模型的性能至關重要，是AI輔助診斷研究的基石。
2023年5月17日，浙江大學葉娟團隊（金凱為本文的第一作者）在Scientific Data（IF=9.8）在線發(fā)表題為“MSHF: A Multi-Source Heterogeneous Fundus (MSHF) Dataset for Image Quality Assessment”的研究性論文，并應邀在Nature的Health Community中“Behind the paper”欄目撰文分享該項研究背后的故事。
評估醫(yī)學圖像質(zhì)量最可靠的方法是要求醫(yī)生逐張評估原始圖像，但這是一項勞動密集型的工作。該研究團隊前期工作(IEEE Transactions on Medical Imaging, 2016)中首次將基于人眼視覺系統(tǒng)的圖像質(zhì)量評價理念帶入眼底圖像的質(zhì)量評價，挑選對臨床診斷有意義的眼底圖像，具有良好的可解釋性。該團隊進一步提出了一種基于對比度限制的自適應直方圖均衡的眼底圖像質(zhì)量增強方法，用來增強屈光介質(zhì)混濁造成質(zhì)量下降的眼底圖像，并建立多人團隊標注的多中心眼底結構信息提取的圖像數(shù)據(jù)標準化流程，突破完整數(shù)據(jù)粗放利用的瓶頸問題(Scientific Data, 2022)。該團隊研發(fā)基于名為眼底病變圖譜的四層篩查框架提高AI系統(tǒng)的效率、可解釋性和可擴展性，前瞻性的多中心臨床試驗表明該AI系統(tǒng)可以提高臨床眼底病篩查效率(Eclinical Medicine, 2022, Lancet子刊)。
在過去的幾年中，基于深度學習的醫(yī)學圖像質(zhì)量評價模型開始不斷出現(xiàn)。一旦模型訓練完成，它可以產(chǎn)生快速和實時地給予臨床反饋，優(yōu)化醫(yī)學圖像采集流程，使整個AI輔助診斷過程更加高效。為了訓練出一個優(yōu)秀的模型，一個良好的數(shù)據(jù)集非常重要。國際上已構建多個眼底圖像質(zhì)量評估數(shù)據(jù)集，如DRIMDB、Kaggle DR Image Quality、EyeQ Assessment、DeepDRiD等。研究人員在這些數(shù)據(jù)集上進行了一系列圖像質(zhì)量評估和AI輔助診斷的研究。然而，大多數(shù)現(xiàn)有的圖像質(zhì)量評估數(shù)據(jù)集都是單中心數(shù)據(jù)集，忽視了成像設備類型、眼部情況和成像環(huán)境的差異。該研究提出了多源異構眼底數(shù)據(jù)集（MSHF）構建的標準化流程，其中包括普通眼底圖像、便攜式眼底圖像和超廣角眼底圖像，包含糖尿病視網(wǎng)膜病變等多種眼病，并對圖像的質(zhì)量進行了系統(tǒng)性的描述。多源異構數(shù)據(jù)集（MSHF）的建立將極大程度地促進數(shù)字化眼病診斷技術向臨床落地轉化。
浙江大學醫(yī)學院附屬第二醫(yī)院眼科中心 浙江大學眼科醫(yī)院