医学影像分析长期为信息的低利用率所累。中山大学中山眼科中心林浩添教授、刘奕志教授和西安电子科技大学刘西洋教授独创性的研发出医学图像密集标注技术Visionome，并将深度学习技术应用于密集标注所得到的数据集，获得了相对于完整数据粗放利用更加完整的诊疗循证指南，使得本就珍贵的医学信息的利用率大幅提升。
最新研究成果“Denseanatomicalannotationofslit-lampimagesimprovestheperformanceofdeeplearningforthediagnosisofophthalmicdisorders”于年6月22日发表于《自然》杂志子刊《自然生物医学工程》（NatureBiomedicalEngineering），并且进入临床转化应用阶段。新闻发布会于年6月23日在中山大学中山眼科中心珠江新城院区隆重举行。
NatureBiomedicalEngineering在线发表文章首页
创新性的医学图像密集标注技术Visionome
医生的诊疗流程并不是粗犷地对疾病进行一眼判断，而是仔细的观察每一个医学影像上所反映的解剖部位和病灶，详细观察其属性，利用医学影像和患者的问询信息进行综合判断。然而医学图像上的丰富信息需要对其进行详细标注才能够被物尽其用。
因而中山眼科中心人工智能与大数据科与中山大学中山医学院联合，充分利用广大医学生和医学教室的课余时间，于年组建医学人工智能志愿者团队AINIST，组建了多级标注体系对临床眼科影像进行了详细密集的标注。同时与西安电子科技大学合作在医学专门人才中普及人工智能。
在此，对为本研究付出辛勤劳动的中山大学中山医学院的各位老师和同学表示衷心的感谢！另外，对给予本研究资助的科技部、国家自然科学基金委员会、中山大学、中山眼科中心和西安电子科技大学表示诚挚的谢意！
Visionome医学图像标注示例
中山大学中山医学院标志、AINIST标志和论文致谢中各位为标注付出努力的老师和同学
更贴近于医生工作方式的AI诊疗模式
本研究创新性采用多级诊疗场景，首先对疾病进行初步诊断，之后检测医学影像中所呈现出的每个解剖部位和病灶，然后详细判断每个解剖部位和终点病灶的属性，。最后结合医学影像分析结果和患者的问诊信息共同判断患者的疾病及严重程度，随后给出治疗建议。
内部性能评估
人机对比结果和多医疗中心相关性能结果
建立多中心眼前节疾病评估系统
本研究为不断提升系统的性能，医院和医院达成了合作关系，将中国医院的专业化诊疗与医院，并且能够通过在线学习的方式不断优化诊疗系统中的模型，同时完成多中心临床试验，能够进一步缓解我国医患供需不平衡的社会矛盾。
在线诊疗系统
全文链接：