我校中山眼科中心林浩添教授、劉奕志教授與西安電子科技大學劉西洋教授帶領團隊經過5年鉆研合作，首創了一種基于解剖學和病理學特征對醫學圖像進行密集標注的方法——醫學圖像密集標注技術Visionome。最新研究成果“Dense anatomical annotation of slit-lamp images improves the performance of deep learning for the diagnosis of ophthalmic disorders”于2020年6月22日發表于《自然》雜志的子刊《自然生物醫學工程》（Nature Biomedical Engineering，IF=17.135），并進入臨床轉化應用。
與傳統圖片級分類標注方法相比，Visionome技術可多產生12倍標簽，而這些標簽訓練出來的算法顯示了更好的診斷性能。基于此技術，團隊訓練出可準確識別多種眼前段病變的裂隙燈圖像智能評估系統，可應用于大規模篩查、綜合分診、專家級評估、多路徑診療建議等多個臨床場景。不僅在回顧性數據集中表現出眼科專家級別的診斷水平，在前瞻性數據集中也表現出色。使用者通過在Visionome診斷系統中上傳眼前段圖像，即能一次獲得多個部位的全方位診斷，與傳統的人工智能算法相比，Visionome系統可生成更加全面、精細、具體的報告，真正讓醫學人工智能應用揭開神秘的面紗，成為一個接地氣的“醫生”。
Visionome技術密集標注原理
裂隙燈圖像智能評估系統可針對4項臨床任務快速生成評估報告
醫學人工智能的浪潮已經到來。然而，目前國內醫學人工智能發展仍面臨優質數據提取困難、現有數據標注方法效率低等一系列問題，同時許多疾病患病率低，不同學科數據特征迥異，導致現有人工智能算法通常難以應對跨學科場景。為利用一流醫療人才團隊與海量循證醫療數據的優勢，突破僵局，在國家重點研發計劃（2018YFC0116500）、國家自然科學基金面上項目（81770967）、廣東省科技計劃項目（2018B010109008）支持下，林浩添教授提出了醫學人工智能“樂高”計劃，以標準化數據標注模式、提高數據標注效率、建立醫療數據區塊鏈等作為切入點，進行戰略部署。該計劃通過將醫學數據轉化成可以拼插組合的“樂高”模塊，打通不同疾病學科的數據異質性壁壘。作為醫學人工智能“樂高”計劃的首個研發成果，Visionome技術成功實現了人工智能進行跨學科、多病種應用，證明了醫學人工智能“樂高”計劃的高度可行性。目前，團隊已與數十家醫院建立合作，加快推進醫學人工智能“樂高”計劃的跨學科應用。
