二、发展过程

目前临床上医生对于糖尿病视网膜病变的诊断是通过观察并分析视网膜眼底图像上的早期病理特征如微动脉瘤、硬性渗出物以及出血等进行的。实际中，由于糖尿病视网膜病变种类多、病灶多样、病患严重程度不一，眼科医生诊断困难。因此，在大规模的糖尿病视网膜病变筛查中，利用计算机辅助诊断技术可以大大减轻医生的负担，并快速、有效地辅助医生实现分类诊断。目前大部分自动诊断算法中，对于糖尿病视网膜病变的检测诊断主要基于传统的手工设计特征并提取特征，再进行分类器构建。基于图像处理技术的一些传统算法使用如形状、颜色、亮度等手工特征和先验知识进行糖尿病视网膜病变检测，这些方法只能在小的数据集上取得较好的结果，且人工特征提取过程烦琐，在大数据集的情况下效率低且鲁棒性差。同时，国际标准中对于糖尿病视网膜病变的筛查敏感性和特异性的要求为80%，传统算法虽然在诊断敏感性上能够达到要求，但其诊断特异性往往并不尽如人意。而且不涉及机器自我学习和自适应等技术的部分传统算法，在严格意义上并不属于人工智能的范畴。

随着人工智能算法的发展，尤其是2012年里程碑式的Alex Net横空出世后，深度学习和卷积神经网络在计算机视觉领域的许多任务上都取得了巨大的成就与突破。目前已经出现了许多直接基于深度学习思想的糖尿病视网膜病变的人工智能算法。在病灶级别的糖尿病视网膜病变的检测方面，Kaggle于2015年7月上线的一场比赛中，首次集结全球各地的参赛者，统一采用深度学习算法与卷积神经网络模型来识别糖尿病视网膜病变的病灶特征。在图像级别的糖尿病视网膜病变的分类诊断方面，早在2016年JAMA杂志便刊登了基于Goog LeNet网络改良的糖尿病视网膜病变智能诊断系统的研究成果，在判断糖尿病视网膜病变患者是否需要转诊时，该成果能够取得堪比眼底病专家的效果。自此，越来越多研究者将深度学习领域最前沿的新型网络模型应用于糖尿病视网膜病变的相关研究，在不同场景下对人工智能算法的诊断效果进行验证。各类研究成果也被积极地转化为临床应用并进行商业化落地。2019年智能手机端的糖尿病视网膜病变筛查系统问世，用户可以通过下载应用程序，实时获取糖尿病视网膜病变的智能诊断结果。这类低成本、易操作的诊断方式对于医疗资源匮乏地区的患者是十分珍贵的。