北京联合学院医院负责人陈·Yoxin（Chen Yoxin）根据超宽角度（UWF）和深度学习技术的背景的图像，成功开发了系统之间的研究团队，成功地开发了人工智能系统，以识别全景病变（温暖）。该系统可以准确识别25种基金疾病，产生参考建议，并为检测资金以及诊断和层处理系统的资金提供新的途径。最近，相关的结果已发表在细胞报告医学的副业版中。眼睛粉底是一个窗口，可以看到一个独特的视觉和一般健康桥梁。基金病变造成的不可逆转的视觉损害是全球失明的主要原因。人口衰老的强化以及疾病谱系的复杂性Havevado涉及人力资源问题稀缺和视网膜专家的异质区域分布，这限制了有效的实施预防和控制实质性疾病的策略“早期发现，早期诊断，早期治疗”。传统背景只能捕获大约15％的视网膜区域，并代表了错误诊断外周病变的重大风险。超广角图像技术可以捕获更广泛的视网膜区域，并覆盖大约82％的视网膜区域。研究设备应用的超广角图像技术为培训模型提供了更理想的数据库。 Chen Yoxin的团队与全国26个第三级健康机构合作，建造了一个超大型和高质量的数据集，其中包含大约60,000个UWF图像。基于跨域之间的原始协作学习算法，三个深度学习模型：全景病变（温暖），参考模型控制（基础），参考模型控制（基础）和区域性能比较（cool-pr-pr）。该模型具有精确性，可以识别25种背景基金的疾病其中包括正常背景，糖尿病性视网膜病和视网膜脱离，根据病变的特征产生智能分类的建议，并模拟了临床检测的决策制定过程。值得证明的是，外周和弥漫性病变的温暖模型的歧视作用明显高于当地定义的热定义的PPR，并且是全面的。它显示了用于检测资金的完整现场图像的临床需求。暖气表现出出色的检测性能，并进行了严格的多中心验证。与原发性眼科医生相比的实验比较还表明，电影医生的阅读量很高（0.982），但灵敏度仅为0.583。温暖模型平衡了0.882的灵敏度和0.846的特异性。特别是，温暖的模型具有明确的优势来识别摩洛尔斯并确定复杂的病变，这与DE的原理一致对背景疾病的调整。 （北京联合医学院医院提供的照片）