医药前沿|Nature子刊：中山大学全球早创婴幼儿视功能人工智能评估技术

由于难以客观评估婴幼儿视功能，全球2000万以上的视觉损伤婴幼儿不能被及时发现而终生致盲，造成了沉重的社会负担。
　　2019年10月21日，中山大学中山眼科中心刘奕志教授和林浩添教授在Nature子刊NatureBiomedicalEngineering杂志上发表题为：Discriminationofthebehaviouraldynamicsofvisuallyimpairedinfantsviadeeplearning的论文。发现正常和视觉损伤婴幼儿的行为模式差异，并利用深度学习，并在全球首先建立了基于行为模式的婴幼儿智能视功能评估系统，用于客观筛查婴幼儿的视功能，及时发现语言前婴幼儿的视觉损伤。
　　1.首先明确视觉损伤和行为模式的量化关系
　　知觉和行为的精细准确协作是生物生存和进化的基础。视觉是人类较重要的知觉，既往研究表明，视觉和行为表型之间存在一定的对应关系。然而，视力丧失如何影响个体行为模式变化，在很大程度上仍然是未知的。本研究通过分析4196例婴幼儿的行为学表型视频大数据，定量对比不同视功能群体4大类、13个行为特征的发生频率及严重程度，首先明确了斜视、眼球震颤、代偿头位等11个标志性的医学行为体征，与婴幼儿视觉损伤的量化关系。
　　2.创新应用时序分割网络为核心的医学人工智能算法框架
　　本研究创新性采用时序分割网络（TemporalSegmentNetwork）来自主学习、建立行为学表型在视频水平的特征模型。该算法结合稀疏采样的策略和视频水平的监督，以实现对动态视频数据集的效果很好拟合。简单来说，该算法采用基于分段结构的稀疏采样方案，从原始视频序列中提取短片段，再从采样片段的聚集信息中，完成视频水平的预测和推断。辅助的光流网络将通过一致性分段函数，进行整合，达到不同片段得分融合的效果，以产生较终的分类概率。