最近，莫纳什大学的戈宗元在医学图像处理领域的国际知名会议MICCAI(医学图像计算和计算机辅助干预)上发表了一篇题为“使用区域UltimatiskLearning的重试规范化”的研究论文，这是教授团队和Airdoc人工智能团队之间的合作。莫纳什大学是澳大利亚，最大的国立大学之一，其药学和药理学专业排名世界第二，仅次于哈佛大学。

研究团队提出了一种基于深度学习的新方法，该方法使用区域特定的多任务识别模型，通过三个子网络学习视网膜不同区域的疾病。这三个子网络被训练成分别识别影响视盘、黄斑和整个视网膜的疾病。以往基于深度学习的自动筛查研究主要针对特定类型的视网膜疾病，但患者通常同时患有多种视网膜病变，单一解决方案在临床应用中似乎存在不足。但该研究成果可以通过一个模型识别36种不同的视网膜疾病，并且可以同时识别视网膜上的多种疾病，大大提高了人工智能在识别视网膜疾病方面的适用性。

随着人口老龄化和电子屏幕的普及，患视网膜疾病的人数不断增加。许多视网膜疾病，如年龄相关性黄斑变性(AMD)和糖尿病视网膜病变(DR)，都会引起不可逆的严重健康问题。同时，在三四线城市，能够检查和治疗视网膜疾病的医生少之又少，医疗资源匮乏，很多人错过了治疗的最佳时机。研究结果可以直接通过人工智能算法进行识别，无需依赖医生，在保证相同识别率的同时，大大提高了效率，也可以帮助医疗资源稀缺地区提高医疗质量。

多标签分类网络

研究团队以多任务方式设计网络，框架包括两个阶段：

第一阶段包括用于检测视盘和黄斑区的联合检测网络

第二阶段由语义多任务网络组成，每个任务通过特定区域相关的疾病标注数据进行训练，同时输出整个眼底、视盘、黄斑的疾病类别，如图1所示。

为了评估所提出方法的性能，研究团队在筛查过程中收集了36种常见的视网膜疾病，包括影响整个视网膜的疾病(如糖尿病视网膜病变)、影响黄斑区域的疾病(如年龄相关性黄斑变性)和影响视盘区域的疾病(如青光眼)。共采集到36类200，817张图像，其中17，385张图像包含多个标签，每张图像由三位经验丰富的眼科医生进行标记。只有当并且只有当不少于两名眼科医生同意时，才能保留相应视网膜图像的标签。

在这项工作中，数据集分为训练集(80%)、验证集(10%)和测试集(10%)。在所有这些图像中，183，432个图像具有单个标签，16，849个图像具有两个标签，536个图像具有三个标签。

辅助检测框架图

团队研究的方法包括两个部分：

(1)黄斑和视盘区；联合检测

(2)用于视网膜疾病语义分类的多任务学习。

首先，训练一个基于YoloV3的联合检测模型来定位视盘和黄斑区域。将检测到的视盘和黄斑区域图像以及整个眼底图像分别调整到300300、600600和800800，然后输入多标签疾病分类网络。

分类网络利用语义特征融合的思想对区域疾病进行分类。为了更好地理解提出的模型，团队还为每个流程绘制了与每个任务相关的类激活图(CAM)。

分类激活图

本研究成功论证了多任务学习方法识别全视网膜、黄斑和视盘疾病的有效性，取代了单一任务分类，更适合复杂的实际临床应用场景，高效、便捷，使用限制少，可帮助更多患者实现早发现、早干预，延缓基础慢性病的进展和发生。