基于眼底医学影像的眼科疾病智能诊断系统

1. 立项背景和目标
立项背景：响应国家“健康中国2030”战略，针对当前基层眼科医疗资源分布不均、专业医生短缺、传统诊断效率低、服务可及性差等痛点，结合AI医学影像技术快速发展的趋势，推动智慧医疗在基层落地。
项目目标：打造一套全面、高效、智能化的眼科疾病智能诊断系统，通过融合边缘计算与云端协同架构，实现对多种眼底疾病的快速筛查、精准识别与辅助诊断，降低基层诊疗门槛，提升眼病早筛早治能力。
2. 软件功能与核心功能模块介绍
系统采用 Web端 + 微信小程序 + 设备端 + 可视化大屏 的多端协同架构，主要功能包括：
智能眼疾检测
基于 EfficientNet-B3 多标签分类模型，支持对 8类眼疾（糖尿病视网膜病变、青光眼、白内障、年龄相关性黄斑变性、高血压性视网膜病变、病理性近视等）进行高精度识别，召回率达 96.49%。
异常图像检测
引入 AutoEncoder 模型，专门处理“其他/异常”类别样本，解决非标准眼底图像的误判问题。
移动端智能问诊（微信小程序）
用户可上传眼底图像，系统实时返回疾病风险预测、概率分布及健康建议；集成 AI 医疗问答助手，提供科学用眼指导。
病例报告生成
自动根据检测结果生成结构化病例报告单，便于医生快速审阅与决策。
数据监控与可视化大屏
实时展示检测量、阳性率、病灶分布热力图、用户年龄结构等核心指标，支持医院管理与公卫分析。
本地离线诊断能力
轻量化模型部署于树莓派4B设备，配合自适应亮度增强算法（对比度提升40%），可在无网络环境下完成图像采集与AI分析，响应时间 ≤5秒。
3. 业务流程与功能路径描述
整个系统的典型用户操作路径如下：
图像采集
用户通过树莓派+摄像头设备拍摄眼底图像（支持偏振光成像与暗光增强）
图像自动上传至本地设备或云端服务器
AI智能分析
系统调用双模AI引擎：EfficientNet-B3 模型进行8类眼疾多标签分类、AutoEncoder 模型判断 是否为异常/无效图像并输出各病种预测概率与风险等级
结果呈现与交互
微信小程序/Web端展示：
疾病检测结果（如“重度糖尿病视网膜病变，建议立即就医”）
可视化病灶定位（若支持）
个性化护眼建议（控制用眼时间、饮食等）
用户可查看历史记录、生成PDF报告
医生/管理员侧
后台管理界面支持：
病例审核、数据统计
模型性能监控（准确率、召回率）
可视化大屏实时展示区域眼病流行趋势

1、在本项目中，我负责前后端整体架构设计与核心模块开发，采用 Vue + Spring Boot 技术栈构建系统。前端基于Vue3框架实现用户交互，后端通过 RESTful API 提供服务接口，并集成轻量化 AI 模型部署于树莓派设备，支持离线诊断。系统采用微服务思想分层设计：前端展示层、业务逻辑层、AI 服务层和数据存储层，各模块解耦清晰，便于扩展与维护
2、我的主要职责包括：
设计并实现网页端功能流程，完成图像上传、AI 分析结果展示、病例报告生成等核心功能；
负责后端接口开发，封装 AI 模型调用逻辑，实现本地模型推理与云端协同的双通道响应；
构建对话式 AI 功能模块，接入外部大模型（当时是星火）提供智能问答服务。
难点1：
前端返回的AI对话的流式输出和输出延迟之间的矛盾，一般来讲后端返回的AItoken是一整段连续的对话，用户想要第一时间得到结果，但是对话的输出形式又要好看，这一矛盾最终通过“流式分块渲染 + 前端缓冲策略”协同优化得以平衡
难点2：
外部 AI 返回 JSON 结构复杂，包含原始文本、token 数量、引用来源等字段，而前端仅需简洁回答。直接传递会导致前端解析困难；解决方案则是在后端定义统一的数据转换器，提取核心内容并结构化输出，例如将 AI 原始响应转化为 {result: "建议控制血糖", type: "health_tip"} 格式。
最终实现了前后端的高效协同与模型的便捷调用，对话AI智能体在响应速度与界面表现之间达到了良好平衡。