人工智能医学图像自动诊断系统和方法与流程

本公开涉及医学图像处理技术领域，具体而言，涉及一种人工智能医学图像自动诊断系统和方法。

背景技术：

女性生殖道感染是女性妇科常见疾病,也是全球性的社会及公共卫生问题。细菌性阴道炎(bv)是女性生殖道感染中最常见的疾病。在正常阴道菌群中，乳酸杆菌占优势。乳酸杆菌为革兰阳性大杆菌，微需氧，但在厌氧环境下生长更好。宿主和菌群之间及菌群与菌群之间保持着一种协调、平衡的状态。如果在女性阴道内的乳酸杆菌大量减少，同时加德纳菌、类杆菌或弯曲小杆菌大量生长的话就容易形成细菌性阴道炎。临床上，可以根据女性阴道内乳酸杆菌、加德纳菌、类杆菌和弯曲小杆菌的分布密度来诊断病人是否患有细菌性阴道炎。在医学技术上，可以通过革兰氏染色法来得到阴道分泌物的显微镜图像，通过对图像中细菌的形态和数量进行观察就可以得出女性阴道内各种细菌的分布情况，从而可以诊断出病人是否患有细菌性阴道炎。

在临床诊断的进程中涉及到大量显微镜图像的观察、处理和判断，该过程需要大量的人力资源，且对医务人员的专业知识和临床经验有着很高的要求。因此，现阶段相关的检验技术人员十分匮乏。

随着人工智能(ai)技术的发展，现有的ai技术在自然图像的处理领域，如图像的分类、识别和目标检测等方面取得了显著的进步。在此基础上，研究人员开始探索ai技术在医学图像处理和辅助诊断领域的应用，并在某些方面取得了一定的进展，例如对于病理图像、ct图像以及眼底图像的诊断方面，应用ai和机器学习技术的诊断水平已经可以达到较高的水平。但是，在医学图像诊断中，医学图像处理的病种数量非常庞大，并且各病种之间的差异度也很大，对于大多数的病种而言，仍然处于人工诊断的程度。尤其是，对于上述妇科常见疾病的妇科微生态显微镜图像的诊断目前还只能进行人工的诊断，并没有相关的智能诊断技术能够辅助进行诊断，这种人工的诊断需要对从病人身体中采集检测样本，通过对样本的显微镜图像进行观察分析，并借助检验人员的医学经验作出诊断结论，这种过程需要消耗大量的人力资源，诊断效率低下，并且诊断准确率也相对低下。

技术实现要素：

本公开提供一种人工智能医学图像自动诊断系统和方法，为了实现医学显微镜图像的自动诊断，节省人力资源，缩短疾病的诊断时间，提高诊断准确率。

根据本公开的第一方面，提供一种人工智能医学图像自动诊断系统，包括：

数据采集模块，用于采集医学图像和对应的诊断数据，并对该医学图像和诊断数据进行统一降噪和图像增强处理，其中，该医学图像包括医学显微镜图像；

数据标注模块，用于对该医学图像中的致病微生物所在的图像区域进行标注，形成该医学图像对应的标注数据；

模型训练模块，用于基于深度学习模型，利用从该医学图像和对应的诊断数据构建的训练集训练得到ai分类模型，利用从该医学图像和对应的标注数据构建的训练集训练得到ai语义分割模型；

模型优化模块，用于利用从该医学图像和对应的诊断数据构建的测试集对该ai分类模型进行优化，利用从该医学图像和对应的标注数据构建的测试集对该ai语义分割模型进行优化，从而使得该模型训练模块训练得到最优ai分类模型和最优ai语义分割模型；

模型部署模块，用于对该最优ai分类模型和最优ai语义分割模型进行应用布署，该最优ai分类模型和最优ai语义分割模型用于提供检测标本的医学显微镜图像的自动诊断。

根据本公开的优选实施方式，该模型部署模块对该最优ai分类模型和最优ai语义分割模型进行应用布署包括：将该最优ai分类模型和最优ai语义分割模型部署到服务器；

该系统还包括线上诊断平台，该线上诊断平台包括客户端和该服务器；

该服务器用于接收该客户端发送的检测标本的医学显微镜图像，并输出该医学显微镜图像的自动诊断结果。

根据本公开的优选实施方式，该模型部署模块对该最优ai分类模型和最优ai语义分割模型进行应用布署包括：将该最优ai分类模型和最优ai语义分割模型部署到嵌入式芯片；

该系统还包括嵌入式诊断平台，该嵌入式诊断平台包括安装有该嵌入式芯片的显微镜；

该显微镜用于获得检测标本的医学显微镜图像，并经由该嵌入式芯片的处理输出该医学显微镜图像的自动诊断结果。

根据本公开的优选实施方式，该医学显微镜图像包括妇科微生态显微镜图像。

根据本公开的优选实施方式，该深度学习模型包括卷积神经网络模型。

根据本公开的优选实施方式，该模型优化模块对该ai分类模型和ai语义分割模型进行优化包括：通过调节该ai分类模型和ai语义分割模型的预测概率阈值来选择倾向高敏感性或者倾向高特异性。

根据本公开的优选实施方式，所述诊断结果包括细菌性阴道炎的诊断。

根据本公开的优选实施方式，所述ai分类模型包括第一分类模型和第二分类模型，所述第一分类模型用于根据检测标本的医学显微镜图像输出第一诊断结果，所述第二分类模型用于根据检测标本的医学显微镜图像输出第二诊断结果。

根据本公开的优选实施方式，所述卷积神经网络模型基于交叉熵计算损失函数，损失函数的公式如下：

其中，m表示类别数量，n表示模型的批尺寸；表示标签的独热编码向量；表示具有表征每个类别的预测结果概率的元素的向量，xj为输入数据，θ为可更新的变量。

根据本公开的第二方面，提供一种人工智能医学图像自动诊断方法，包括：

采集医学图像和对应的诊断数据，并对所述医学图像和诊断数据进行统一降噪和图像增强处理，其中，所述医学图像包括医学显微镜图像；

对所述医学图像中的致病微生物所在的图像区域进行标注，形成所述医学图像对应的标注数据；

基于深度学习模型，利用从所述医学图像和对应的诊断数据构建的训练集训练得到ai分类模型，利用从所述医学图像和对应的标注数据构建的训练集训练得到ai语义分割模型；

利用从所述医学图像和对应的诊断数据构建的测试集对所述ai分类模型进行优化，利用从所述医学图像和对应的标注数据构建的测试集对所述ai语义分割模型进行优化，从而训练得到最优ai分类模型和最优ai语义分割模型；

对所述最优ai分类模型和最优ai语义分割模型进行应用布署，所述最优ai分类模型和最优ai语义分割模型用于提供检测标本的医学显微镜图像的自动诊断。

根据本公开的优选实施方式，所述对所述最优ai分类模型和最优ai语义分割模型进行应用布署包括：将所述最优ai分类模型和最优ai语义分割模型部署到服务器；所述服务器用于接收客户端发送的检测标本的医学显微镜图像，并输出所述医学显微镜图像的自动诊断结果。

根据本公开的优选实施方式，所述对所述最优ai分类模型和最优ai语义分割模型进行应用布署包括：将所述最优ai分类模型和最优ai语义分割模型部署到嵌入式芯片；所述嵌入式芯片安装于显微镜，所述显微镜用于获得检测标本的医学显微镜图像，并经由所述嵌入式芯片的处理输出所述医学显微镜图像的自动诊断结果。

根据本公开的优选实施方式，所述医学显微镜图像包括妇科微生态显微镜图像。

根据本公开的优选实施方式，所述深度学习模型包括卷积神经网络模型。

根据本公开的优选实施方式，所述对所述ai分类模型和ai语义分割模型进行优化包括：通过调节所述ai分类模型和ai语义分割模型的预测概率阈值来选择倾向高敏感性或者倾向高特异性。

根据本公开的优选实施方式，所述诊断结果包括细菌性阴道炎的诊断。

根据本公开的优选实施方式，所述ai分类模型包括第一分类模型和第二分类模型，所述第一分类模型用于根据检测标本的医学显微镜图像输出第一诊断结果，所述第二分类模型用于根据检测标本的医学显微镜图像输出第二诊断结果。

根据本公开的优选实施方式，所述卷积神经网络模型基于交叉熵计算损失函数，损失函数的公式如下：

其中，m表示类别数量，n表示模型的批尺寸；表示标签的独热编码向量；表示具有表征每个类别的预测结果概率的元素的向量，xj为输入数据，θ为可更新的变量。

本公开实施例基于深度学习模型训练得到最优ai分类模型和最优语义分割模型，基于该最优ai分类模型和最优语义分割模型的应用部署可以实现检测样本的医学显微镜图像的自动诊断，辅助医生进行治疗决策，并且能够节省大量的人力资源，缩短疾病的诊断时间，提高诊断准确率。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是根据本公开第一实施例的人工智能医学图像自动诊断系统100的结构示意图；

图2是根据本公开第二实施例的人工智能医学图像自动诊断系统200的结构示意图；

图3是根据本公开第三实施例的人工智能医学图像自动诊断系统300的结构示意图。

图4为根据本公开一实施例的人工智能医学图像自动诊断方法的流程示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

如前所述，现有的医学图像诊断中，还没有针对妇科微生态显微镜图像的自动诊断技术。为此，本公开实施例提出一种人工智能医学图像自动诊断系统和方法。

图1为根据本公开第一实施例的人工智能医学图像自动诊断系统100的结构示意图。该人工智能医学图像自动诊断系统100包括如下功能模块：数据采集模块101、数据标注模块102、模型训练模块103、模型优化模块104和模型部署模块105。

数据采集模块101用于采集医学图像和对应的诊断数据，并对该医学图像和诊断数据进行统一降噪和图像增强处理。

其中，医学图像可以包括医学显微镜图像，诊断数据可以包括医生针对医学显微镜图像所做出的诊断报告中所提取的诊断结果。在一些实施方式中，该医学显微镜图像可以包括妇科微生态检测的显微镜图像，包括但不限于用于细菌性阴道炎诊断的阴道分泌物的显微镜图像。

数据标注模块102用于对数据采集模块101采集的医学图像中的致病微生物所在的图像区域进行标注，形成医学图像对应的标注数据。

在一些实施方式中，可以通过专业医生对收集到的显微镜图像中致病细菌进行标注，从而提取出致病细菌所在的图像区域形成医学图像对应的标注数据。

模型训练模块103用于基于深度学习模型，利用从医学图像和对应的诊断数据构建的训练集训练得到ai分类模型，利用从医学图像和对应的标注数据构建的训练集训练得到ai语义分割模型。

在一些实施方式中，深度学习模型可以包括卷积神经网络模型。利用深度学习技术，通过对在自然图像的处理上表现比较优异的卷积神经网络(cnn)，例如resnet模型、densenet模型、xception模型等，进行损失函数和模型参数的进一步的改造与调试，从而得到适用于医学图像处理的深度学习模型。对于该深度学习模型的训练，后续将进一步举例说明。

本公开实施例中，将数据采集模块101得到的医学图像和对应的诊断数据，以及将数据标注模块102得到的医学图像和对应的标注数据都统一划分为训练集和测试集两个部分，其中，医学图像和对应的诊断数据的训练集用于对ai分类模型进行训练，医学图像和对应的标注数据的训练集用于对ai语义分割模型进行训练，二者的测试集则分别用于两个模型的训练结果的性能测试和优化。将训练数据输入ai分类模型和ai语义分割模型，利用反向传播算法对ai分类模型和ai语义分割模型进行参数更新，从而实现ai分类模型和ai语义分割模型的训练过程。

基于医学图像和对应的标注数据的训练集所训练的ai语义分割模型可以自动分割和识别医学显微镜图像中致病细菌的图像区域，并对图像区域的致病细菌进行分类，进而为该医学显微镜图像的分类结果提供诊断依据；经过医学图像和对应的诊断数据训练得到的ai分类模型可以根据对医学显微镜图像进行语义分割识别的致病细菌的分布将该医学显微镜图像分类为对应的诊断结果。另一方面，ai语义分割模型还可以为ai分类模型的可解释性提供依据，可以帮助解释ai分类模型对医学显微镜图像给出对应的诊断结果的原因。

模型优化模块104用于利用从医学图像和对应的诊断数据构建的测试集对模型训练模块103训练得到的ai分类模型进行优化，利用从医学图像和对应的标注数据构建的测试集对模型训练模块103训练得到的ai语义分割模型进行优化，使得模型训练模块103训练得到最优ai分类模型和最优ai语义分割模型。

在一些实施方式中，模型优化模块104利用从医学图像和对应的诊断数据构建的测试集对ai分类模型进行性能测试，并利用从医学图像和对应的标注数据构建的测试集对ai语义分割模型进行性能测试，其中主要利用受试者特性曲线(roc)以及该曲线下的面积(auc)来评估测试的ai分类模型和ai语义分割模型的性能。auc的数值大小越接近于1代表该模型的表现越好。同时，可以根据测试的结果来指导模型训练模块103对ai分类模型和ai语义分割模型训练中超参数的选择，从而对ai分类模型和ai语义分割模型的训练和优化形成正反馈机制。临床上，一般比较关注于高敏感性或高特异性。敏感性定义为在金标准判断有病(阳性)的人群中，检测出阳性的几率，也称为真阳性；特异性定义为在金标准判断无病(阴性)的人群中，检测出阴性的几率，也称为真阴性。可以通过调节ai分类模型和ai语义分割模型的预测结果概率阈值来得到接近100％的敏感性或特异性，同时保证另一个指标高于75％。

模型部署模块105用于对模型训练模块103训练得到的最优ai分类模型和最优ai语义分割模型进行应用布署。应用部署后的最优ai分类模型和最优ai语义分割模型可以提供病人检测标本的医学显微镜图像的自动诊断。

本公开实施例通过ai深度学习模型训练得到ai分类模型和ai语义分割模型，可以实现医学显微镜图像的自动诊断，并且可以辅助医生进行治疗决策，节省大量的人力资源，提高疾病的诊断速度，并且提高诊断准确率。同时，随着采集的医学显微镜图像和对应的诊断数据的数据量的增加，ai分类模型和ai语义分割模型还可以不断的进行优化。

在一些具体的实施方式中，以resnet18卷积神经网络模型来训练ai分类模型为例进行进一步说明。本公开实施例基于交叉熵计算损失函数，损失函数的公式如下：

其中，m表示类别数量，n表示模型的批尺寸(batchsize)；表示标签(label)的独热编码(one-hotencoding)向量，该向量是具有1位1、其余位全为0的二元向量。表示具有表征每个类别的预测结果概率的元素的向量，该向量可以通过模型的全连接层之后的softmax层而计算得到，xj为输入数据，θ为可更新的变量。

在训练过程中，可以使用动量优化法来优化该模型。变量θ可通过以下公式进行更新：

θ＝θ-vt

其中，上述公式中γ可以取值为0.9，η为模型的学习率，t为迭代数。在一个实施方式中，结合上述公式，可以基于后向传播算法来实现变量θ的更新。在推理过程中，对于输入数据的预测结果，可以从向量中最大元素的位置获得。

在一些实施方式中，考虑到临床检查中敏感性通常比特异性更为重要，为了改善细菌性阴道炎诊断的敏感性，ai分类模型可以采用分层模型，即将ai分类模型分为第一分类模型和第二分类模型。以细菌性阴道炎诊断的金标准nugent评分法作为诊断标准，在模型的训练过程中，第一分类模型用于区分病人的医学显微镜图像是否为细菌性阴道炎病(nugent评分为7-10分)和其他类别(nugent评分为0-6分)，第二分类模型则用于区分病人的医学显微镜图像是否为正常(nugent评分为0-3分)和中间态(nugent评分为4-6分)。在模型推理过程中，第一分类模型被利用来将病人的医学显微镜图像分类为细菌性阴道炎病(nugent评分为7-10分)和其他类别(nugent评分为0-6分)，当第一分类模型的分类结果是其他类别时，第二分类模型被利用来进一步将该其他类别分类为正常和中间态。

这种分层模型相对于直接将显微镜图像分为正常、中间态和细菌性阴道炎病(bv)而言，更加贴近临床诊断中的实际需求，因为临床诊断中，医生更加注重区分bv和其它类别，因此，采用分层模型的分类优先区分bv和其它类别，之后在其它类别中再区分正常和中间态。

图2为根据本公开第二实施例的人工智能医学图像自动诊断系统200的结构示意图。该人工智能医学图像自动诊断系统200在图1所示实施例的基础上进一步包括线上诊断平台106。

线上诊断平台106包括服务器201和客户端202。其中，模型部署模块105用于将模型训练模块103训练得到的最优ai分类模型和最优ai语义分割模型部署到服务器201。服务器201接收客户端202发送的检测标本的医学显微镜图像，并输出该医学显微镜图像的自动诊断结果。

在一些实施方式中，该服务器201可以包括本地网络服务器或者云端服务器。客户端202可以包括但不限于能够提供医学显微镜图像接收和传输的电脑主机、便携式电脑、平板电脑、智能手机以及医学检测设备等。

本公开实施例中，将最优ai分类模型和最优ai语义分割模型部署到线上诊断平台，客户端202可以将检测样本的医学显微镜图像传送给服务器201，调用服务器201中的最优ai分类模型和最优ai语义分割模型进行处理，从而可以得出对应的诊断结论，实现线上自动诊断。同时，服务器201还可以收集ai模型误判的图像数据，利用收集到的图像数据进一步训练迭代ai分类模型和ai语义分割模型。

图3为根据本公开第三实施例的人工智能医学图像自动诊断系统300的结构示意图。该人工智能医学图像自动诊断系统300在图1所示实施例的基础上进一步包括嵌入式诊断平台107。

嵌入式诊断平台107包括安装有嵌入式芯片301的显微镜203。其中，模型部署模块105用于将模型训练模块103训练得到的最优ai分类模型和最优ai语义分割模型部署到嵌入式芯片301。

显微镜203用于获得病人检测标本的医学显微镜图像，并经由所安装的嵌入式芯片301的处理输出该医学显微镜图像的自动诊断结果。

在一些实施方式中，显微镜203还可以包括连接外部设备的通信接口(图中未示出)。该通信接口可以包括连接打印设备的通信接口，用于将显微镜所检测的医学显微镜图像的自动诊断结果输出给打印设备进行打印。该通信接口还可以包括连接有线或无线网络的通信接口，用于将显微镜所检测的医学显微镜图像及其自动诊断结果发送给网络存储单元进行存储，或者发送给网络显示终端进行显示。

本公开实施例将最优ai分类模型和最优ai语义分割模型部署到嵌入式芯片，并集成到医学图像检测的显微镜中，可以使基层医院无需连网而可以在本地自动运行ai自动诊断系统服务于病人。

本公开的人工智能医学图像自动诊断系统可以应用于妇科常见病例如女性细菌性阴道炎的自动诊断，具有较高的诊断速度和诊断准确率。通过引入ai深度学习技术，该系统的诊断速度远快于人类。经过实际案例的测试，目前对于女性细菌性阴道炎的诊断的表现已经十分优异，ai模型在测试集上的auc可以达到0.986。并且，由于训练的ai分类模型和ai语义分割模型可以快速大量复制，因此，可以解决大量的基层医院缺乏专业检验人员的问题，只需要对医务人员进行简单的ai系统诊断操作步骤的培训，无需进行长时间专业技能的培训，从而使大量基层医院具有诊疗妇科常见病例如女性细菌性阴道炎的能力，也为国家推进分级诊疗制度做出贡献。

图4为根据本公开一实施例的人工智能医学图像自动诊断方法的流程示意图。如图4所示，该人工智能医学图像自动诊断方法包括以下步骤：

步骤s110，采集医学图像和对应的诊断数据，并对该医学图像和诊断数据进行统一降噪和图像增强处理；

步骤s120，对该医学图像中的致病微生物所在的图像区域进行标注，形成该医学图像对应的标注数据；

步骤s130，基于深度学习模型，利用从该医学图像和对应的诊断数据构建的训练集训练得到ai分类模型，利用从该医学图像和对应的标注数据构建的训练集训练得到ai语义分割模型；

步骤s140，利用从该医学图像和对应的诊断数据构建的测试集对该ai分类模型进行优化，利用从该医学图像和对应的标注数据构建的测试集对该ai语义分割模型进行优化，从而训练得到最优ai分类模型和最优ai语义分割模型；

步骤s150，对该最优ai分类模型和最优ai语义分割模型进行应用布署，该最优ai分类模型和最优ai语义分割模型用于提供检测标本的医学显微镜图像的自动诊断。

其中，步骤s110中，医学图像可以包括医学显微镜图像，诊断数据可以包括医生针对医学显微镜图像所做出的诊断报告中所提取的诊断结果。在一些实施方式中，该医学显微镜图像可以包括妇科微生态检测的显微镜图像，包括但不限于用于细菌性阴道炎诊断的阴道分泌物的显微镜图像。

在一些实施方式中，步骤s120包括通过专业医生对收集到的显微镜图像中致病细菌进行标注，从而提取出致病细菌所在的图像区域形成医学图像对应的标注数据。

在一些实施方式中，步骤s130中，深度学习模型可以包括卷积神经网络模型。利用深度学习技术，通过对在自然图像的处理上表现比较优异的卷积神经网络(cnn)，例如resnet模型、densenet模型、xception模型等，进行损失函数和模型参数的进一步的改造与调试，从而得到适用于医学图像处理的深度学习模型。

本公开实施例中，步骤s110中采集得到的医学图像和对应的诊断数据，以及步骤s120中得到的医学图像和对应的标注数据都被统一划分为训练集和测试集两个部分；其中，步骤s130中，医学图像和对应的诊断数据的训练集用于对ai分类模型进行训练，医学图像和对应的标注数据的训练集用于对ai语义分割模型进行训练，二者的测试集则分别用于两个模型的训练结果的性能测试和优化。将训练数据输入ai分类模型和ai语义分割模型，利用反向传播算法对ai分类模型和ai语义分割模型进行参数更新，从而实现ai分类模型和ai语义分割模型的训练过程。

基于医学图像和对应的标注数据的训练集所训练的ai语义分割模型可以自动分割和识别医学显微镜图像中致病细菌的图像区域，并对图像区域的致病细菌进行分类；经过医学图像和对应的诊断数据训练得到的ai分类模型可以根据对医学显微镜图像进行语义分割识别的致病细菌的分布将该医学显微镜图像分类为对应的诊断结果。

在一些实施方式中，步骤s140包括利用从医学图像和对应的诊断数据构建的测试集对ai分类模型进行性能测试，并利用从医学图像和对应的标注数据构建的测试集对ai语义分割模型进行性能测试，其中主要利用受试者特性曲线(roc)以及该曲线下的面积(auc)来评估测试的ai分类模型和ai语义分割模型的性能。auc的数值大小越接近于1代表该模型的表现越好。同时，可以根据测试的结果来指导模型训练模块103对ai分类模型和ai语义分割模型训练中超参数的选择，从而对ai分类模型和ai语义分割模型的训练和优化形成正反馈机制。临床上，一般比较关注于高敏感性或高特异性。敏感性定义为在金标准判断有病(阳性)的人群中，检测出阳性的几率，也称为真阳性；特异性定义为在金标准判断无病(阴性)的人群中，检测出阴性的几率，也称为真阴性。可以通过调节ai分类模型和ai语义分割模型的预测结果概率阈值来得到接近100％的敏感性或特异性，同时保证另一个指标高于75％。

在一些具体的实施方式中，以resnet18卷积神经网络模型来训练ai分类模型可以参见前述实施例的描述，在此不再赘述。

在一些实施方式中，步骤s150中对该最优ai分类模型和最优ai语义分割模型进行应用布署包括将该最优ai分类模型和最优ai语义分割模型部署到服务器。该服务器可以接收客户端发送的检测标本的医学显微镜图像，并输出该医学显微镜图像的自动诊断结果。

在一些实施方式中，该服务器可以包括本地网络服务器或者云端服务器。客户端可以包括但不限于能够提供医学显微镜图像接收和传输的电脑主机、便携式电脑、平板电脑、智能手机以及医学检测设备等。

在一些实施方式中，步骤s150中对该最优ai分类模型和最优ai语义分割模型进行应用布署包括将该最优ai分类模型和最优ai语义分割模型部署到嵌入式芯片。该嵌入式芯片可以安装于显微镜中，该显微镜用于获得检测标本的医学显微镜图像，并经由该嵌入式芯片的处理输出该医学显微镜图像的自动诊断结果。

在一些实施方式中，显微镜还可以包括连接外部设备的通信接口。该通信接口可以包括连接打印设备的通信接口，用于将显微镜所检测的医学显微镜图像的自动诊断结果输出给打印设备进行打印。该通信接口还可以包括连接有线或无线网络的通信接口，用于将显微镜所检测的医学显微镜图像及其自动诊断结果发送给网络存储单元进行存储，或者发送给网络显示终端进行显示。

本公开的人工智能医学图像自动诊断方法可以应用于妇科常见病例如女性细菌性阴道炎的自动诊断，具有较高的诊断速度和诊断准确率。通过引入ai深度学习技术，该方法的诊断速度远快于人类。经过实际案例的测试，目前对于女性细菌性阴道炎的诊断的表现已经十分优异，ai模型在测试集上的auc可以达到0.986。并且，由于训练的ai分类模型和ai语义分割模型可以快速大量复制，因此，可以解决大量的基层医院缺乏专业检验人员的问题，只需要对医务人员进行简单的ai系统诊断操作步骤的培训，无需进行长时间专业技能的培训，从而使大量基层医院具有诊疗妇科常见病例如女性细菌性阴道炎的能力，也为国家推进分级诊疗制度做出贡献。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。