多病种诊断结果展示
AI算法模块返回字典形式的预测结果后，结果展示平台提取每个病种患病的概率，以及对结果的描述。将分析结果与原始图像一同以可视化的方式返回至网页中，方便用户调阅。下面分别以正常眼底图像与高度近视眼底图像为例。
当输入一张图7-33所示的正常眼底图像并得到返回结果后，返回各分类结果的可能性分别为：①正常，80%；②高度近视，3%；③黄斑病变，3%；④糖尿病视网膜病变，3%；⑤视网膜静脉阻塞，2%；⑥青光眼，6%；⑦其他疾病，3%。因此系统诊断其为正常眼底，返回报告：“系统检测为健康图像，未患有糖尿病视网膜病变、视网膜静脉阻塞、高度近视和青光眼！”可视化界面见图7-34。
图7-33 输入正常眼底图像
图7-34 结果展示平台输出正常眼底图像结果
当输入一张如图7-35所示的患有高度近视眼底图像并得到返回结果后，返回各分类结果的可能性分别为：①正常，3%；②高度近视，85%；③黄斑病变，2%；④糖尿病视网膜病变，2%；⑤视网膜静脉阻塞，2%；⑥青光眼，2%；⑦其他疾病，5%。因此系统诊断其为正常眼底，返回报告为“眼底检测到明显病灶：视盘周围脉络膜萎缩弧、豹纹状眼底，提示高度近视的患病风险非常高，建议及时进行确认及治疗。”可视化界面如图7-36所示。
图7-35 输入高度近视眼底图像
本模型可以就患者的眼底健康状况进行分类判别。先在眼底图像中检测出视盘和黄斑，并通过检测框将该部位图像截出来，搭建针对某部位的分类模型，单独对这些部位进行病种分类，难点是需要对数据集中的样本逐个进行标注，工作量大。但在平台的进一步升级优化时增加该环节是必不可少的，该环节有助于医生对模型的评估以及对病灶部位的观察，在现实生活中具有极高的应用价值。
本章通过分析眼底多病种分类的医疗诊断资源不足的现实，寻求搭建基于眼底彩照的人工智能诊断云平台来弥补当前的资源不足。所以本章的目的是搭建一个用于自动化分类多种眼底病种的云平台，证明该方法的可行性。
眼底疾病诊断云平台包括前端服务器、后端数据库以及核心AI算法模块。首先搭建一个可以与前端进行交互的基于Flask的网络框架，确保数据传输的稳定性与安全性。接着设计了一种AI算法模块包括HTTP解析模块、图片下载模块和算法预测模块，算法预测模块又包含质量评估模块以及眼底多病种分类模块。质量评估模块使用分类网络和目标检测技术分别设计了一个质量评估模型，提供了设计的多种思路。眼底多病种分类模块设计了基于Efficient Net的加权集成模型，通过优化学习率迭代方法、图像混合、集成模型等方法提高模型分类准确率，并使用多进程方式搭载在网络框架中。最终将算法模型部署至云服务器，提供在线眼底疾病诊断服务，同时，生成诊疗报告供医生和患者查看，建立和共享电子健康档案，实现快捷的远程转诊和会诊。眼疾病筛查系统可以在不用医生干预的情况下，自动对患者眼底图像进行客观判断和分析并给出诊断意见和建议，具有高效、易于推广等优点，能够有效地辅助眼科医生进行病情诊断。
图7-36 结果展示平台输出高度近视眼底图像结果