眼科应用丨深度学习在视网膜疾病诊断和转

本研究由伦敦Moorfields医院和谷歌公司Deepmind联合开展，研究结果发表在年8月13日的《NatureMedicine》杂志上，题为“Clinicallyapplicabledeeplearningfordiagnosisandreferralinretinaldisease”，研究主要发现机器学习可以学习读取复杂的眼睛扫描监测图像（OCT），并检测超过50种的眼部疾病，可以对视网膜疾病进行诊断和转诊分类。

随着医学的不断进步，医学图像数量激增，而这需要人类的专业知识和判断来解释和分流。在许多临床专业中，这种专业知识相对不足以提供及时的诊断和转诊。

例如在眼科学中，光学相干断层扫描（OCT）的广泛可用性尚未与专家人员解释扫描并将患者转诊至适当的临床护理相匹配。威胁视力的疾病流行率显著增加，加剧了这一问题，其中很多疾病尤其是视网膜疾病中，OCT是初步评估的黄金标准。

不过AI的发展为这种医学图像解释和分类提供了一种很有前景的解决方案，AI在视网膜疾病诊断和转诊中的应用也非常有前景。

临床应用和AI框架的构建：

该研究架构以眼科OCT成像的挑战为背景，在典型的眼科临床转诊途径中测试了这种方法用于患者分诊的表现，包括超过50种常见诊断，其中OCT提供了确定的成像模式。

该模型对需要快速非选择性评估急性和慢性视力丧失的患者进行全面的初步评估和分类，对患者的黄斑病变进行诊断和分类，具体见图1。

图1：Ai框架的构建：a，原始视网膜OCT扫描（黄斑周围6×6×2.3mm3）。b，深度分割网络，使用手动分段OCT扫描进行培训。c，得到的组织分割图。d，深度分类网络，使用组织图进行训练，确认诊断和最佳转诊决策。e，预测的诊断概率和转诊建议。

2.在转诊决定方面取得专家的表现：

研究人员用大量的扫描图像训练机器如何读取扫描图像，然后AI与人类医生进行了比赛，要求计算机对例临床结果已知的患者进行诊断，同时8名临床医生（包括4名眼科医生和4名验光师）也接受了同样的挑战，要求他们对患者按照病情紧急情况进行分类：紧急、较紧急、一般和随访。

AI的诊断结果与两位世界领先的视网膜专家之间的误差率仅为5.5％。至关重要的是，算法并没有错过任何一个紧急情况；Moorfields医院领导该研究的顾问眼科医生PearseKeane博士称该结果“令人震惊”。

PearseKeane告诉媒体说：他认为这会让大多数眼科专家喘不过气来，因为我们已经证明这种算法的表现与解释这些扫描的世界领先专家的表现相差无几。

AI能够识别严重的病症，如湿性年龄相关性黄斑变性（AMD），这些疾病如不及时治疗就会导致失明。Keane博士认为等待评估的大量患者是一个“大问题”。眼科医生经常碰到因转诊延误而导致失明的患者，AI应该帮助我们标记这些紧急病例并及早治疗。”

图2：分段网络的结果。来自分割测试集（左）中的n=个OCT扫描的三个选定的二维切片具有手动分割（中间）和自动分割（右侧;补充表2中的详细颜色图例）。a，患有糖尿病性黄斑水肿的患者。b，由年龄相关性黄斑变性（AMD）引起的脉络膜新生血管形成的患者，表现广泛纤维血管色素上皮脱离和相关的视网膜下液。c，患有新生血管性AMD的患者，患有广泛的视网膜下高反射材料。可以在补充视频1-9中找到具有模型分割和诊断性能的病理变化的其他示例。在所有示例中，分类网络预测正确的诊断。比例尺，0.5毫米。

图3：关于患者转诊决定的结果。在n=名患者的独立测试集上的表现（紧急，急诊，常规，仅随访）。a，紧急转诊（脉络膜新生血管（CNV））与所有其他转诊的ROC图。通过扫描特定临床诊断的预测概率的阈值来创建蓝色ROC曲线。淡蓝色区域外的点对应于显着不同的性能（95％可信区间，使用双侧精确二项式测试）。星号表示我们的模型在“平衡性能”设置中的性能。填充标记仅表示使用OCT的专家表现;空标记用OCT，眼底图像和摘要笔记表示它们的表现。虚线连接每个专家的两个性能点。b，混淆矩阵与患者编号，我们的框架和两位最佳视网膜专家的转诊决定。这些显示了每个金标准决定和预测决策组合的患者数量。在对角线上找到正确决定的数量。由于过度诊断导致的错误决定在左下角三角形，由于漏诊导致的错误决定在右上角三角形。c，推荐决定的总错误率（1-准确度）。浅蓝色区域（3.9-7.3％）之外的值与框架性能（5.5％）显着不同（95％置信区间，使用双侧精确二项式检验）。AUC，曲线下面积。

图4：分割的可视化结果作为厚度图。a，沿A扫描方向（眼睛的正面图）的OCT扫描的平均强度投影覆盖有纤维血管色素上皮细胞脱离（PED，红色区段）的厚度图。b，OCT查看器截图。第一行（左），转诊建议，组织体积和诊断概率。突出显示的条对应于所选的分割模型。来自分割模型实例2的10种相关组织类型的第-第3行，厚度图。两种健康组织类型（高水平视网膜和RPE）显示在黑-蓝-绿-棕-白色图中，病理组织（所有其他）在原始OCT扫描的投影上显示为叠加。细白线表示切片80的位置。第四行，来自OCT扫描的切片80和来自分割模型实例的分割图2.补充表2中的详细组织图例。切片和模型实例可以交互选择。

最近几年将AI用于自动诊断OCT扫描的研究结果都很不错，但到目前为止，这些研究依赖于选择性和临床上无代表性的OCT数据集。本研究在多种视网膜疾病中测试了两个独立数据集在临床转诊建议中的表现。

该研究的重点是诊断相关组织类型的一部分（例如，视网膜内液），并在10至42名患者的样本中应用二维模型。在目前的工作中通过应用三维来超越早期的研究模型，分割更大范围的诊断相关组织类型，并将这种细分与临床相关的现实世界推荐建议联系起来。

在全球范围内，眼科临床转诊途径各不相同，OCT可能诊断出的疾病范围包括黄斑病之外的病变。该工作开辟了在其他全球环境和临床路径中测试该方法的临床适用性的可能性。

总之，本研究提出了一个分析临床OCT扫描的新框架，并提出一个与临床专家相当的标准的转诊建议。

OCT是一种三维体积医学成像技术，类似于三维超声检查，但测量的是近红外光的反射而不是声波，其分辨率为~5μm的活人体组织，OCT也是现在最常见的成像程序之一。在眼科领域内，OCT检查结果也是视网膜黄斑疾病诊断和分类的主要依据之一。

大量的OCT图像数据为眼科医生带来了巨大的工作量，如果AI能够代替眼科医生解读OCT图像，并相应做出诊断和分类，那么这不仅能够减轻眼科医生的工作负担，同时也有助于如年龄相关性黄斑变性（AMD）等患者的早期防治和实力挽救！

期待AI真正应用到视网膜疾病诊断和分类的那一天的到来！

以上是作者对AI在视网膜疾病诊断和转诊中应用的一些思考，关于该主题您有如何感想了？欢迎您







































白淀风
北京治疗白癜风最好的医生在哪家医院

转载请注明：http://www.shiwangmoa.com/smbb/2209.html

• 上一篇文章： 中检赛迩整合生物治疗案例之糖尿病
  
• 下一篇文章： NEW早产儿视网膜病变及婴幼儿视网膜