AI助阵，糖网早筛不是梦

随着糖尿病患病率的不断攀升，糖尿病视网膜病变（Diabetic retinopathy,DR）已成为全球主要致盲性眼病之一。因此，DR的早期诊断与治疗可谓至关重要。DR的诊断与分期主要由眼科医生通过对眼底的直接检查和彩色照相评估而得出。但由于DR全球发病率高，眼科专科医生地域性分布不均，诊断及分期存在主观性等问题，使得全球DR的早期筛查难以进行。这一亟待解决的问题引发了诸多研究者的兴趣，希望通过构建自动化模型，而使DR筛查仅通过眼底彩照这一客观检查即可完成。此前研究结果大多局限于临床病例且样本量较小，与真实世界数据存在一定差距。此外，以往模型仍需人工标记、调整相应参数，并未实现真正意义上全自动化。

为了弥补以往研究的不足，Rishab等提出应利用深度学习法（人工智能机器学习中的一类方法）来构建DR的全自动化筛查模型，具体方法为：首先，随机选取75137份糖尿病患者眼底彩照结果构建数据库，并对获得的图像进行预处理，以排除与诊断不相干的干扰因素。同时利用数据集增强法编码多个深度学习过程中的不变因素，如旋转不变性、图片色彩与亮度不变性等，使得模型具备针对不同不变因素归纳分类的能力。其次，构建深度特征学习模型，该研究利用自定义深度卷积神经网络实现自动化识别提取图像特征并予以分析，最终判断所提供彩色眼底照相的对应患者是否患有糖尿病视网膜病变。具体来说，即利用卷积参数层自我学习形成迭代过滤器，将输入的图像转化并逐层映射，利用深度剩余学习的原则来最终实现模型对特征的有效区分，而无需手动进行参数优化（图1）。最后，训练并检测模型。将75137份图像分为5组，对模型进行五次交叉验证，即利用一组图像让模型深度学习后，运用剩余四组进行验证并获得精确度、敏感度、接收者操作特征曲线下面积（AUC），五次验证后取平均值（图2）。此外，研究还利用75137份图像训练该模型，并利用其他数据库（MESSIDOR 2 andE-Ophtha）进行测试。

研究结果显示，该模型针对研究构建的数据库的精确度、敏感度和AUC可分别达到98%、94%和0.97。而针对其他独立数据库MESSIDOR 2 和E-Ophtha的AUC则可分别达到0.94和0.95。因此，作者指出该项基于全数据驱动的人工智能算法的模型对于糖尿病患者眼底彩照图的筛查及转诊至眼科必要性的判断，具有较高可信度，并且有望能够降低由于DR导致的全球致盲率。

(本文图表均摘自原文）

参考文献：

Gargeya, R,Leng, TAutomated Identification ofDiabetic Retinopathy Using Deep Learning.Ophthalmol 2017.124:962-969.

评论

杨治坤

DR的早期诊断和治疗对于预防DR对视功能的损伤有着至关重要的作用，但正如文中所述，DR的筛查给眼科医生带来了很大的工作压力和负担。一直以来，我国通过建立三级防治网的方式对DR进行筛查和逐级深入的治疗，也取得了一定的效果，但初级图像的阅读仍然需要耗费大量的人力和物力。自动化的筛查一直是眼科医生的梦想，本文的作者利用深度学习的方法来构建DR筛查的模型，虽然我们对这种学习方式不甚了解，但其结果仍然让人非常振奋。人工智能已经在诸多领域取得了很大的突破，应用到眼科疾病的诊断和预防也是未来的趋势。随着科学技术的进步，诸如白内障、青光眼、视网膜疾病等眼部疾病一定可以通过自动化技术达到早期诊断的目的。

《国际眼科时讯》的【文摘速递】栏目于2015年8月起与《协和眼科资讯》实现共建，所有资讯在两个微信公众账号同步上线，以下为两个账号的二维码：