近年来，随着国内外多个医学人工智能产品的上市，医学人工智能研究逐步进入临床转化应用阶段。然而，由于临床真实环境复杂多样，高性能的深度学习系统在实际应用中往往会面临现场拍摄图片质量不佳，导致模型鲁棒性下降、无法识别图片等问题。这一数据质量问题广泛存在于医学人工智能研究包括模型构建、性能评估、临床应用在内的全生命周期中，成为医学人工智能产品实现真正落地应用的重要瓶颈。基于流式细胞仪的分析思路，林浩添/刘奕志教授团队牵头，立足中山大学交叉学科创新平台，联合了全国27家医院、高校和企业，合作研发和验证了“数字流式”眼底彩照多维度质量智能管理系统DeepFundus。研究成果“DeepFundus: A flow cytometry-like image quality classifier for boosting the whole lifecycle of medical artificial intelligence”于2023年1月18日在Cell Press细胞出版社期刊Cell Reports Medicine （中科院1区，影响因子16.988）上在线发表，为医学数据质量问题提供了系统性解决方案。

图1. Cell Reports Medicine在线发表网站截图

一、真实世界大数据分析建模和多中心临床验证是解决医学数据质量问题的关键

数据质量问题是目前医学人工智能研究全生命周期中的重大阻碍。然而，目前针对这一卡脖子问题仍缺少有效的数据分析思路和管理工具。本项目立足于真实世界的数据特点和临床诊断的分析思路，共纳入65851张来源于全球不同场景和设备的眼底彩照，构建了可全面识别眼底照片的质量影响因素及其涉及结构范围的眼底图像质量智能管理系统DeepFundus。该系统共包含13个眼底图像质量智能分类模型，并参照临床实践规范对模型输出结果进行逻辑归类，实现真实世界环境下的眼底图像高通量分析、实时指导和精确转诊。在来自全国17个省份的前瞻性外部验证数据集中，该系统所有模型的AUC均在0.9以上，证实了模型的良好泛化性能。

图2. DeepFundus模型设计和验证流程

二、DeepFundus系统对医学人工智能模型的实际应用具有重要意义

智慧医疗是全球的研究前沿，也是我国实现“健康中国”的重要发展着力点。目前，美国FDA已批准超过500款人工智能辅助医疗设备，然而这些设备在实际应用中受数据质量影响，性能往往有明显下降。研究团队将DeepFundus整合到已在国家药品监督管理局完成Ⅲ类医疗器械注册的眼底智能诊断系统上，作为疾病诊断前的图像预处理步骤。结果显示，经过DeepFundus的图像筛选，眼底智能诊断系统在糖尿病视网膜病变、年龄相关性黄斑变性和视乳头水肿这三种常见眼科疾病的诊断准确率均有不同程度的提升，且这一提升程度受到目标病变与所用质量分析维度之间关联性的影响。这一结果从临床疾病诊断的角度拓宽了人们对人工智能模型可解释性的理解。

图3. DeepFundus系统可显著提升智能诊断性能

三、DeepFundus系统可促进医学人工智能全生命周期发展

研究团队还将DeepFundus的质量分析思路从临床应用阶段拓展到模型构建与性能评估阶段，通过对建模数据集的质量分类标注，组建了不同质量组成的训练数据集。结果显示，针对糖尿病视网膜病变、年龄相关性黄斑变性和视乳头水肿这三种疾病，训练数据集的质量组成越接近真实世界分布，所得模型在真实世界的表现越好，且这一结论在多种模型结构（InceptionV3、InceptionResnetV2、Densenet）中具有一致性。以上结果表明，DeepFundus在医学人工智能研究的全生命周期（模型构建——性能评估——临床应用）均能提供数据质量问题的有效解决方案。团队正着手将DeepFundus系统与其他的新型数字技术如5G、区块链、云计算等相结合，构建多中心医学研究中的数据清洗、安全与共享机制，促进数字医学长足发展。

图4. DeepFundus系统可促进医学人工智能全生命周期发展