眼底疾病智能诊断系统

业务亮点和立项原因：随着人口老龄化，我国眼科疾病患病人数攀升，医疗资源分布不均问题突出。高水平医院眼科医生工作负担重，漏判、误诊等问题频发，且专业医生培养周期长、数量有限。传统诊断模式依赖肉眼观察眼底图像，耗时耗力且易受主观因素影响。基于此，本项目借助深度学习技术，开发眼科疾病智能诊断系统，以实现对多种常见眼科疾病及正常眼底的准确识别，提升诊断效率和准确性，减轻医生负担，降低误诊漏诊率，缓解医疗资源紧张问题。
立项过程和沟通过程：项目团队与眼科专家、医生、医疗机构管理人员及患者深入交流，收集各方需求。了解医生诊断痛点、医疗机构对系统功能的期望以及患者对诊断流程的需求。同时调研市场现有系统优缺点及行业趋势，明确项目方向。与潜在合作的医疗机构沟通，介绍项目理念和技术优势，探讨合作可能性，根据其反馈优化项目方案，最终确立项目。

具体功能模块及使用者功能
图像处理功能：对眼底图像进行轮廓裁剪、CLAHE 处理和双目拼接，提取视盘区域，消除光照不均干扰，增强血管纹理细节，实现左右眼图像空间对齐，为诊断提供清晰统一的图像。
疾病检测功能：支持单张或批量图像上传，通过多标签分类能力判别 7 类眼科疾病与正常类别，允许单张图像存在多个病理标签，精准诊断复杂病例。
报告生成功能：快速生成详细诊断报告，支持打印和 PDF 格式导出，方便医生查看、存档及与患者沟通。
历史记录查询功能：便捷查询历史检测记录，包括时间、诊断结果和 AI 建议，便于病情复核与长期存档。
诊断建议功能：集成医疗大模型，依据诊断结果生成个性化治疗建议和健康管理方案，提升患者依从性和诊疗效率。
疾病科普功能：提供常见眼病的详实介绍，包括示意图和文字说明，点击 “了解更多” 可跳转至百度百科获取更多资料。
主要功能路径：用户上传眼底图像，系统对图像进行预处理（轮廓裁剪、CLAHE 处理、双目拼接），然后通过深度学习模型进行疾病检测，生成诊断结果，基于诊断结果生成诊断建议和报告，同时将检测记录存储以便用户查询。用户还可通过疾病科普功能了解相关眼病知识。

参与人数：团队共 5 人，包括算法工程师、前端开发工程师、图像处理工程师、产品设计师和数据分析师。
开发周期：从 2025 年 1 月 1 日开始，到 2025 年 4 月 14 日结束，约 3 个半月。
我的任务：负责 AI 诊断模型的设计与调优，选用 EfficientNet-B4 和 Vision Transformer 模型，通过加权融合策略提升模型性能，处理类别不平衡问题，调整超参数，优化模型准确率、精确率和召回率，确保模型在测试集上达到预期性能指标。
技术栈、架构、亮点及难点
技术栈
后端：Flask 框架、PyTorch 深度学习框架、MySQL 数据库、Redis 缓存。
前端：HTML/CSS/JavaScript、Vue.js。
图像处理：OpenCV、NumPy。
模型训练监控：TensorBoard。
架构：采用前后端分离架构，后端负责数据处理、模型推理和业务逻辑，前端负责用户交互和数据展示，通过 RESTful API 接口实现前后端数据交互。
亮点
模型采用 EfficientNet-B4 和 Vision Transformer 加权融合策略，结合两者在细节提取和全局关联建模的优势，提升分类精度和鲁棒性。
针对类别不平衡问题，引入类别权重和 Focal Loss 损失函数，提高模型对少数类疾病的识别能力。
系统功能丰富，集成图像处理、疾病检测、报告生成等多种功能，满足医疗机构、医生和患者的多样化需求。
难点
眼底图像预处理：需要解决亮度不均、噪声去除、双目图像对齐等问题，确保输入数据质量。
模型训练：处理类别不平衡问题，优化超参数，提高模型泛化能力，确保在测试集上达到高精度。
系统集成：将前端、后端和模型训练部分集成，确保系统稳定运行，响应速度快。