人工智能（AI）在医学领域已经有了一系列的研究成果，并且其中一部分已经在临床实践中应用。随着AI技术的不断发展，通过眼底成像进行自动眼病筛查已成为研究人员和临床医生关注的热门话题。在眼科领域，眼底成像是眼科疾病筛查和诊断的主要方式，眼底图像的质量对AI模型的性能至关重要，是AI辅助诊断研究的基石。

2023年5月17日，浙江大学叶娟团队（金凯为本文的第一作者）在Scientific Data（IF=9.8）在线发表题为“MSHF: A Multi-Source Heterogeneous Fundus (MSHF) Dataset for Image Quality Assessment”的研究性论文，并应邀在Nature的Health Community中“Behind the paper”栏目撰文分享该项研究背后的故事。

评估医学图像质量最可靠的方法是要求医生逐张评估原始图像，但这是一项劳动密集型的工作。该研究团队前期工作(IEEE Transactions on Medical Imaging, 2016)中首次将基于人眼视觉系统的图像质量评价理念带入眼底图像的质量评价，挑选对临床诊断有意义的眼底图像，具有良好的可解释性。该团队进一步提出了一种基于对比度限制的自适应直方图均衡的眼底图像质量增强方法，用来增强屈光介质混浊造成质量下降的眼底图像，并建立多人团队标注的多中心眼底结构信息提取的图像数据标准化流程，突破完整数据粗放利用的瓶颈问题(Scientific Data, 2022)。该团队研发基于名为眼底病变图谱的四层筛查框架提高AI系统的效率、可解释性和可扩展性，前瞻性的多中心临床试验表明该AI系统可以提高临床眼底病筛查效率(Eclinical Medicine, 2022, Lancet子刊)。

在过去的几年中，基于深度学习的医学图像质量评价模型开始不断出现。一旦模型训练完成，它可以产生快速和实时地给予临床反馈，优化医学图像采集流程，使整个AI辅助诊断过程更加高效。为了训练出一个优秀的模型，一个良好的数据集非常重要。国际上已构建多个眼底图像质量评估数据集，如DRIMDB、Kaggle DR Image Quality、EyeQ Assessment、DeepDRiD等。研究人员在这些数据集上进行了一系列图像质量评估和AI辅助诊断的研究。然而，大多数现有的图像质量评估数据集都是单中心数据集，忽视了成像设备类型、眼部情况和成像环境的差异。该研究提出了多源异构眼底数据集（MSHF）构建的标准化流程，其中包括普通眼底图像、便携式眼底图像和超广角眼底图像，包含糖尿病视网膜病变等多种眼病，并对图像的质量进行了系统性的描述。多源异构数据集（MSHF）的建立将极大程度地促进数字化眼病诊断技术向临床落地转化。