眼底项目经验
- 可解释性不足问题
- 眼底项目有多牛逼
- 可解释性不足解法
- 数据、算力、算法都免费送
- 不仅预测当下，还能预测未来
- 和慢病管理整合，形成一个实时健康检测生态
可解释性不足问题
今天下午和腾讯眼底项目人员讨论, 他们不准备做全身性的多疾种, 因为深度学习模型可解释性不足, 就导致决策责任问题。
我放心了, 也好 少一个不差算力、数据、算法、市场的对手。
眼底项目有多牛逼
- 这个眼底项目，不仅可以看眼睛疾病，还能看全身疾病
- 而且天花板是1000多种疾病，更有意义的是能看200多种慢病
- 更牛逼的是，不仅可以看现在有没有得病，还能预测10年后、15年后得病的风险
可解释性不足解法
其实可解释性不足, 是能解决的。
使用SAM病灶组织分割模型，细致分割眼底图片中的关键信息，如血管、视杯盘及关键病灶，如出血、渗出、棉絮斑等，有效提高模型的可解释性，实现从黑盒到白盒的转变。
-
先多任务深度学习模型：后续采用多任务分类的深度学习模型，提升了对眼底图像的理解和表达能力，但存在可解释性问题。
-
后SAM病灶组织分割模型：开发了SAM模型，通过精细分割眼底图像中的关键标志物和病灶，增强了模型的可解释性，将“黑盒算法白盒化”。
数据、算力、算法都免费送
这个项目个人也能做。
- 数据方面：100多万张眼底数据-https://debroon.blog.csdn.net/article/details/137159481、kaggle
- 算力方面：阿里云注册就送 3 个月 V100，1A100 速度 是 V100 的 155%，1V100 速度 是 P100 的3500%，这个GPU已经很好了
- 算法方面：YOLOv8（速度、性能好）、Resnet101（基础版本吧）、ResNet2d（左右眼）、SAM，都能直接调用
不仅预测当下，还能预测未来
尽管现状检测的准确率已较高（90%以上），还能用积累的大量眼底图像队列数据，预测患者未来眼底疾病的发展，实现提前干预。
收集了眼底照片，还有 ICVD（心血管） 十年风险预测模型需要的指标，包括年龄、性别、总胆固醇、BMI、收缩压、糖尿病和吸烟史。
有了这七个指标后，我们通过模型，把每个受试者的ICVD十年风险给计算出来。
计算出来后，我们给每个受试者的眼底照片进行标注，告诉计算机（人工智能）这张照片它对应的十年风险是多少。然后基于这种海量的数据，让机器去深度学习，就构建了从眼底照片直接到ICVD十年风险的关联性。
未来我们只要拍摄眼底照片，通过这个人工智能的模型，就可以快速地、自动地把这个十年风险的得分计算出来。
治未病，让患者提前有意识到要改变生活方式。
这个模式也能应用到其他疾病上。
和慢病管理整合，形成一个实时健康检测生态
