README.md

---
title: Aicomp Demo
emoji: 📊
colorFrom: red
colorTo: green
sdk: docker
pinned: false
license: mit
short_description: aicomp的效果演示网站
---

Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference


# 糖尿病视网膜病变智能诊断系统（轻量高精度）

🌟 **一张眼底照片，自动判断糖尿病风险与严重程度（0-4级），支持轻量化部署，助力基层医疗筛查！**

---

## 核心功能

*   **高精度诊断**：在 APTOS 2019 数据集上准确率达 92.3%，与专家诊断符合率达 89% 以上。
*   **轻量化模型**：提供 MobileNetV3（仅2.5M参数，CPU推理18ms）等多种轻量级模型，适用于资源受限场景。
*   **全流程自动化**：覆盖从数据预处理、多任务训练、一键推理到丰富科研可视化的完整流程。
*   **多任务学习**：同时进行0-4级严重程度分级和是否患病二分类任务。
*   **网页端演示**：提供 Gradio 界面，支持图片上传、实时诊断和AI健康助手功能。
*   **强大的可扩展性**：支持知识蒸馏、量化感知训练（QAT）、多数据集联合训练等进阶功能。

---

## 性能指标

| 模型 | 准确率 | F1-Score | AUC | 参数量 | 推理延迟 (CPU) |
| :--- | :--- | :--- | :--- | :--- | :--- |
| **EfficientNet-B0** | 92.3% | 0.91 | 0.97 | 5.3M | 45ms |
| **MobileNetV3-Small** | 89.7% | 0.88 | 0.95 | 2.5M | 18ms |

---


## 项目实际意义（AI+创新创业·新医科）

- **赋能新医科与基层医疗**：本项目以AI赋能基层医疗、健康体检、慢病筛查等新场景，助力“健康中国2030”战略落地。
- **视力检查无缝集成**：可与常规视力体检流程一体化，做到“拍照即查”，提升体检效率和附加值，便于大规模推广。
- **创新创业与产业转化**：支持体检中心、社区医院、企业健康管理等多元商业模式，推动AI医疗成果转化与创新创业实践。
- **促进医疗公平与数字健康**：通过轻量化模型和自动化流程，降低筛查门槛，缩小城乡医疗差距，提升全民健康水平。
- **新医科人才培养与产学研医融合**：项目全流程覆盖AI算法、医学知识、工程实现与临床应用，适合新医科人才培养和产学研医协同创新。
- **社会与经济价值显著**：每万人筛查可预防约200例失明，节省医疗支出500万元，提升社会健康福祉。

---

1.  **克隆项目**
    ```bash
    git clone https://github.com/ceasonen/aicomp.git
    cd aicomp
    ```

2.  **使用 Conda 创建并激活环境**
    ```bash
    conda env create -f environment.yml
    conda activate aicomp
    pip install -r requirements.txt
    ```

---

## 快速开始

### 1. 数据准备

*   **使用公开数据集**：
    *   [APTOS 2019](https://www.kaggle.com/competitions/aptos2019-blindness-detection/data)
    *   [EyePACS](https://www.kaggle.com/competitions/diabetic-retinopathy-detection/data)
    *   [Messidor-2](http://www.adcis.net/en/third-party/messidor2/)
    > **提示**：可使用 `pip install kaggle` 并配置 `~/.kaggle/kaggle.json` 来通过命令行下载 Kaggle 数据集。

*   **数据预处理**（以APTOS为例，自动生成多任务标签）
    ```bash
    python scripts/prepare_data.py --action preprocess --data_dir data/aptos2019/train_images --csv_file data/aptos2019/train.csv --output_dir data/aptos2019/processed
    ```

*   **生成示例数据**（用于快速测试）
    ```bash
    python scripts/prepare_data.py --action create_sample --samples_per_class 100
    ```

### 2. 训练模型

```bash
python -m src.train
```
*   训练日志、模型权重和 TensorBoard 文件将自动保存在 `logs/`, `weights/`, `runs/` 目录中。

### 3. 推理与评估

```bash
python -m src.inference
```
*   推理结果将保存在 `evaluation_results/predictions.csv`，包含分级和二分类的预测及概率。

### 4. 科研可视化

所有可视化结果将自动保存在 `evaluation_results/figures/` 目录下。请逐条执行以下命令：

```bash
# t-SNE 特征可视化
python scripts/plot_tsne_features.py

# 混淆矩阵
python scripts/plot_confusion_matrix.py

# ROC 与 PR 曲线
python scripts/plot_roc_pr_curves.py

# 误分类样本分析
python scripts/plot_misclassified_samples.py

# Grad-CAM 可解释性热图
python scripts/plot_gradcam_batch.py
```

### 5. 网页端演示

```bash
python api.py
```
启动后，请访问 `http://127.0.0.1:7860/`。

---

## 进阶功能

项目通过 `configs/config.yaml` 文件支持丰富的进阶功能：

*   **数据增强**：支持 `CLAHE`、旋转、翻转、色彩扰动等多种策略。
*   **类别不平衡处理**：支持 `Focal Loss` 和自动计算类别权重。
*   **模型切换与轻量化**：内置 `MobileNetV3`、`ShuffleNetV2` 等高效模型。
*   **知识蒸馏**：通过 "teacher-student" 模式提升小模型性能。
*   **量化感知训练 (QAT)**：支持训练并导出INT8量化的 ONNX 模型以加速推理。
*   **多数据集联合训练**：合并多个数据集进行训练，提升模型泛化能力。

---

## 常见问题 (FAQ)

*   **`ModuleNotFoundError: No module named 'src'`**
    请使用 `python -m src.train` 或 `python -m src.inference` 的方式运行，以确保项目根目录被正确添加到 Python 路径中。

*   **权重加载失败或结构不兼容**
    这通常发生在修改模型结构后。建议删除 `weights/` 目录下的旧模型文件，然后重新训练。

*   **路径找不到错误**
    请仔细检查 `config.yaml` 中配置的数据集路径是否与您的实际文件路径一致。

*   **PowerShell 无法链式执行命令**
    PowerShell 不支持使用 `&&` 连接命令。请将命令分开，逐行执行。

*   **CUDA out of memory**
    显存不足。请在 `config.yaml` 中减小 `batch_size`，或者切换到 CPU 进行训练。

---

## 参考与致谢

*   [APTOS 2019 Kaggle 竞赛](https://www.kaggle.com/competitions/aptos2019-blindness-detection/data)
*   [EyePACS 数据集](https://www.kaggle.com/competitions/diabetic-retinopathy-detection/data)
*   PyTorch, torchvision, scikit-learn, OpenCV 等开源社区。

---

## License

[MIT](https://github.com/ceasonen/aicomp/blob/main/LICENSE)