魁北克风景秀丽，相对安全稳定，居民十分友好热情。4天的会议十分愉快，收获颇丰。
首先看到了与自己研究课题密切相关的工作：
（1） 一个用Gaussian-Mixture Model 做的一个眼底照片异常检测工作，仅判断图片是正常图片（无病变）或者有任何类型的病变。
（2） 一个印度机构的工作，使用超分辨率，希望使用超分辨率扩大微血管瘤等精细结构，但是其是否具有科学性个人觉得仍然值得探讨。
（3）然后是商汤科技，使用 Zoom-in-Net，尝试先找感兴趣的部分，然后在高分辨率诊断？
（4） 百度工作：使用bounding box 进行病变分类，之后再进行分级。病变分类发表在MICCAI上，分级及其他功能未透露
（5） Google 在眼底分级中的探索过程
Google在眼底分级过程中也并非一帆风顺，他们研究、迭代过程与我们目前不断迭代过程十分相似。Google眼底分级项目成员比较细致的分享了他们的研究过程，对我们项目很有启发，也肯定了我们正在进行的方向至少是没有大问题的。
Google项目主要在针对印度地区进行，印度地区医疗条件相对比较落后，导致病变诊断缺失十分严重。Google对每张病变图片进行了0~4分级模型训练。最终使用Eyepas数据库进行测试。
Google也使用了多种网络，多种超参数调整，多种分辨率，最终也使用了集成学习，将
多个神经网络的结果融合（和我目前的框架相同）。Google强调了数据的重要性，在数据较少的情况下难以得到较好的分级结果，在50k图片数量之前，图片越多，分级效果明显提高，图片数量足够多之后分级效果趋于稳定。
医生标注差异是一个很严重的问题，在Google标注过程中发现标注者的一致性仅有60%左右（就是每个标注与最多标注相同的比例，如下图），这一问题尤其在轻度和中度、中度和重度之间比较明显，PDR及以上一致性相对比较高。我们的一致性比他们高（在我们算法出错的部分，王、李标记与青浦原始标记一致性88%左右）
由此他们强调了高质量数据的重要性（因为他们的标记差异很大）。关于多个标记如何确定ground truth，他们也尝试了多种办法，商议确定、取众数。其中主要的误区在于微血管瘤、误诊的出血、伪影。因此我们做伪影检测、微血管瘤检测、质量检测还是很有意义的。
可以看出在轻度、中度上，AI算法与人工选择比较接近了。同时商议再决定有更高的敏感度。
Google正在考虑的多个视角融合的问题，目前我们的数据包含2个视角，也是一个可以利用的点，Google数据中应该没有这么多多视点的数据。目前他们也正在探索。
关于利用左右眼协同检测，Google、百度等各方都没有先例，只是在kaggle竞赛中一致队伍使用了左右眼协同。
