本课题来源于广东省科技厅，属于广东省省级科技计划项目。

    数字影像是当前使用最为广泛的医学研究和疾病诊断手段之一，我国经过多年的投入，使MR、CT、PET-CT等高端医学影像设备在国内得到了广泛的普及。然而，在另一方面，我国高端医学人才在地域上却存在严重的分布不平衡的现象，受国内区域经济发展不平衡的影响，我国优秀的医务人员中有80%以上的比例集中在一线城市和省会城市中。所以，虽然在不同的地区，患者都可以方便的获得设施先进的医学检查服务，但由于基于检查结果的医学诊断的准确率仍然高度依赖于医生的专业素质，所以患者仍然倾向于到“大城市的大医院”检查和治疗，由此造成“大医院”不堪重负，而“小医院”门可罗雀的局面。

    为缓解“大医院”的求诊压力和提高“小医院”的人、物利用率，本课题提出了众包诊断的概念，即可以安排患者在多个“小医院”各自独立的接受检查和诊断，进而通过本项目研究的众包算法，汇总这些诊断的结果来生成可靠性更高的诊断结论，以此达到让患者在“小医院”就诊，却能获得准确程度可以与“大医院”相媲美的诊断结果。

     在本课题的研究中，我们提出了两个基于医学影像的众包诊断算法：（1）我们提出了基于数据的统计一致性的矩阵补全模型Logo，基于该模型，我们得以把“患者-医生”众包诊断矩阵填补完整，进而可以把经典的多数派投票算法作用于补全的结果，从而产生众包诊断的结果；（2）我们提出了一种基于用户行为模拟的矩阵模型，该模型以深度学习技术为基础，根据已有的分包诊断结果，分别生成对患者和医生的编码表示，基于该表示，我们设计了一个基于医患一致的众包矩阵补全算法，以该算法的补全结果为多数派投票算法的作用对象，我们可以得到最终的众包诊断结果。

    为评估成果的有效性，我们把课题研究的算法应用于505个病例作众包诊断，结果显示，上述算法○1获得了410个正确的诊断结果，准确率为81.2%；算法○2获得了406个正确的结果，准确率为80.4%。与由102名医学专业志愿者提供的诊断结果相比，上述两种算法的准确率都在志愿者的准确率的中位数之上。此外，我们的算法的诊断范围覆盖了所有的病例，而“人类专家”由于受精力的限制，只能为少数的患者提供了诊断服务。

    上述结果显示，在给定疾病类型的应用环境中，本课题提出的研究的算法已有较高的诊断准确率，基本满足实际应用的需求，有望成为缓解“大医院”的求诊压力和提高“小医院”的人、物利用率的一种新的选择。