近日，西安交通大学网络空间安全学院沈超、蔺琛皓教授团队的研究成果《面向糖尿病型视网膜病变检测的可解释性病灶学习与生成》（Explainable Lesion Learning and Generation for Diabetic Retinopathy Detection）发表于国际人工智能联合会议(IJCAI 2020/CCF-A类会议)的计算疾病学专题研讨会(Disease Computational Modeling Workshop)，并从参会的国内外论文中脱颖而出，唯一入选“最佳论文奖”。论文的第一作者为蔺琛皓，通讯作者为沈超，共同作者为朱炯历、胡鹏伟、王骞。

糖尿病引起的视网膜病变（以下简称糖网病）是中老年人视力丧失的重要原因之一。目前，国外糖网病识别技术已可为护理医师提供临床决策的工具，糖网病识别的算法也在临床应用中有良好的辅助诊疗效果，因此，探索一种适应于国内可以大规模、高精度自动诊断的技术具有重要价值。

西安交通大学该成果采用人工智能医疗影像分析技术，结合深度学习算法的可解释性研究，针对糖网病的自动诊断及诊断结果具有可解释性的问题，提出了一种基于可解释性病灶学习及生成的医疗影像病症检测方法。蔺琛皓教授表示，团队致力于人工智能技术在医疗领域的应用研究，围绕人工智能算法可解释性及智能医疗影像识别问题，基于糖网病检测的应用场景，通过设计的带有门机制的多层感知算法，充分利用可解释性的影像结果，成功分离出置信病灶。

近几年，利用人工智能深度学习算法的医疗影像识别及分析取得了一定的成功，但采用深度学习算法获得的诊断结果不具备可解释性的问题无法取得医生及患者的信任。而该团队采用设计的自适应变换融合算法，将提取得到的一系列病灶经过随机的、可适应性的变换，融合入随机选取的作为“背景”的无病灶眼底图像，基于此迭代式地生成一系列新的模拟病理图像，并将生成的样本加入糖网病识别模型的训练。通过不断迭代完成交替的生成与训练步骤，使得模型学习到更准确的病灶特征，从而能够提取更可信的病灶特征。

此外，该方法还能提升糖网病识别模型的精确度，可在大规模眼底影像中快速发现视网膜病变并知晓病变程度，从而更有利于诊疗方案的实施，尽最大可能防止因病致盲，改善患者生活质量。

未来，该方法还将拓展应用于其他医疗影像的病灶识别，如新冠肺炎影像识别、癌症影像识别等。研究团队目前已搜集整理现有的新冠肺炎影像数据集，如加州大学圣地亚哥分校、Petuum开源的COVID-CT 数据集及蒙特利尔大学发布的CT 扫描和胸部 X 射线covid数据集，并采用团队提出的算法在数据集上进行实验测试。