日前，由IEEE国际生物医学工程学会主办的“第41届国际生物医学工程会议（EMBC2019）”在德国柏林举行,会议议题广泛，从人类健康到重症护理，开展一场学术盛宴。会上，来自全球60多个国家和地区的生物医学工程领域学术专家和产业专家分享了新近研究成果。由北京至真互联网技术有限公司（以下简称“至真健康”）算法团队提交的两篇学术论文获得了会议主办方的一致肯定，获邀出席大会并以口头报告的形式进行了现场分享；其中一篇论文《一种可解释性的集成深度学习模型用于糖尿病视网膜病变的分类》，重点研究了如何提升糖网筛查准确率的算法模型问题。
据2017年调查数据显示，中国糖尿病患者人数已超过1.14亿，病程超过10年有50%的患者会患上并发症糖尿病视网膜病变，恶化之后可导致不可逆转的失明危害。只有在早期进行糖网筛查，做到早发现、早干预、早治疗，才能大幅降低失明风险。
目前，人工智能技术正逐渐应用于糖网筛查领域，可以通过人工智能眼底筛查相机高效便捷地实现设备拍片、中心系统阅片、报告输出、专业医师提供诊疗建议等一体化眼底筛查方案，有效解决了目前国内专业眼科医生缺乏（全国共有眼科医生3万人）导致的服务能力不足问题。但人工智能设备要想实现更精准的筛查效果，对用于深度学习的糖网智能筛查算法模型也提出了更高的要求。
至真健康首席算法官姜泓羊表示，研究者们研究了多种基于深度学习的糖网智能筛查算法模型之后发现，有两大难点问题亟待解决：第一，算法模型的泛化能力难以保证；第二，算法模型的可解释性比较薄弱。本次，至真健康算这篇论文的主要研究目的就是希望针对这两大难点提出一种更好的解决方案。
至真健康CTO张冬冬指出，泛化能力是指算法模型对新鲜样本的适应能力，即在不同数据集上所表现的性能差异，差异越小泛化能力越小，反之则越大。简单地说，研究者希望在人工智能设备针对所提供的海量数据样本进行多次反复的深度学习训练之后，就需要具备较强的泛化能力，即能掌握好数据样本背后的规律，对以后提供的不同样本要实现准确而有一定差异化的结果输出。
对此，至真健康算法团队提出了一种多模型融合的糖网分类系统。传统的糖网分类方法大多采用单一深度学习模型，即设计一个网络模型，经过一次模型训练而得到，这很容易由于训练时间难以把控而导致的欠拟合或过拟合情况。而采用多模型融合方式则可为人工智能设备提供多种模型方案进行集成学习，综合多个深度学习模型的性能，融会贯通，进而提高了糖网分类的准确率。这不仅增强了集成模型的泛化能力，提高了糖网智能筛查的性能，也减少了深度学习的训练周期。
对于算法模型的可解释性问题，张冬冬表示，可解释性是指算法模型对某一新样本的分析过程和分析结果做出合理解释，比如对所拍摄图片的哪些像素做出了判断、哪些明显标志做出解读等。为了提升可解释性，本论文采用加权CAM（Class Activation Mapping）技术对分类结果进行可视化显示。CAM技术能够将神经网络到底在关注什么可视化的表现出来，并以热力图的形式呈现出，模型通过哪些像素点得知图片属于某个类别，从而实现了对分类图像的解释。
大会现场，至真健康算法团队分享的这篇论文受到了与会专家的一致好评。有专家表示：“该方法应用了一种深度学习体系结构的集成方法，这是一项创新性的研究。尤其是使用了加权的CAM技术，使结果呈现更加直观。”
至真健康是以人工智能为核心的科技型健康管理公司，研发人工智能技术产品应用于眼底智能筛查是至真健康的专注方向。2018年11月，至真健康研发的“至真智能筛查眼底相机”问世。“至真智能筛查眼底相机”不仅人工智能系统强大，而且小巧便捷、易于携带，可方便应用于眼科、内分泌科、体检科等科室的快速眼底筛查，并且便于上山下乡走进基层。
在实际应用中，“至真智能筛查眼底相机”不用进行任何参数调整便可自动完成眼底影像采集，1分钟便由AI完成“阅片”，并出具诊断建议，“操作就像使用傻瓜相机一样”，即便非专业眼科医生在接受系统培训之后，也能轻松掌握眼底拍摄技能。目前，“至真智能筛查眼底相机”所搭载的糖网筛查算法准确率已达到世界领先水平。
