2020年首期Graefes Archive for Clinical and Experimental Ophthalmology杂志发表了北京协和眼科AI研究团队使用人工智能（AI）算法中的自动机器学习（AutoML）进行息肉状脉络膜血管病变（PCV）诊断研究成果。现实中PCV诊断误诊率可以高达约20%，因此PCV诊断准确率需要提高，而AI可以辅助PCV临床诊断。本研究首次将AutoML应用于眼科领域。AutoML是当今AI研究热度最高的前沿技术之一：该技术的核心思想在于使用AI开发并优化AI算法，因此可在没有AI工程师参与的情况下自动生成AI模型。
该研究的思路是，使用不同的AutoML模型通过吲哚菁绿血管造影（ICGA）图像诊断PCV，并将诊断效能较好的AutoML模型与人类医师进行对比。训练集纳入了149张正常眼底、146张PCV及135张典型新生血管性年龄相关性黄斑变性（nAMD）的ICGA图像，测试集纳入了15张正常眼底、14张PCV及16张典型nAMD的ICGA图像。研究人员设计了两种AI诊断思路：1、一步法是使用一个AI模型同时鉴别正常、nvAMD及PCV；2、两步法是首先使用一个模型鉴别正常与异常ICGA图像，再使用另一个模型诊断异常ICGA图像中的PCV图像。诊断效能较高的方法被用于与4名眼底医师及4名眼科住院医师对比PCV诊断的准确性。该研究基于Google AutoML平台完成。
(1).png)
图1. 该研究设计方案
研究发现，两步法比一步法具有更好的诊断效能。一步法中，精确度为0.673，召回率为0.635。两步法中，第一步AI模型精确度为0.911，召回率为0.911，第二步精确度为0.783，召回率为0.783。使用测试集，两步法区分正常与异常图像的准确度为1，诊断PCV的准确度为0.83，与眼底医师水平相当，优于眼科住院医师（表1）。结果提示，AutoML生成的算法可能有助于辅助临床基于ICGA图像鉴别正常眼底、nvAMD及PCV。
表1. AI模型、眼底医师及眼科住院医师诊断测试集图片中的PCV及nAMD的效能
(54).jpg)
本研究首次体现AutoML在眼科领域的巨大应用潜力。首先，PCV诊断金标准是ICGA，其图像中病灶、视网膜血管及脉络膜血管相互重叠，较为复杂。尽管基于ICGA图像诊断PCV对于AI充满挑战，但本研究中AutoML通过数量有限的图片训练，便达到与专科医师相当的诊断水平。此外，AutoML可以模拟真实世界中PCV的诊断流程：在排除正常眼底的基础上，基于ICGA鉴别PCV与nAMD。本研究说明，AutoML可用于辅助眼科临床诊断，为提高PCV诊断准确性提供切实的帮助。
参考文献：
1. Yang J, Zhang C, Wang E, Chen Y, Yu W. Utility of a public-available artificial intelligence in diagnosis of polypoidal choroidal vasculopathy. Graefes Arch Clin Exp Ophthalmol. 2020 Jan;258(1):17-21.
2. Colin S. Tan, Wei Kiong Ngo, Louis W. Lim, Nikolle W. Tan, Tock H. Lim, on behalf of the EVEREST Study Group. EVEREST study report 3: diagnostic challenges of polypoidal choroidal vasculopathy. Lessons learnt from screening failures in the EVEREST study. Graefes Arch Clin Exp Ophthalmol. 2016 Oct;254(10):1923-1930.
点评
(79).jpg)
于伟泓
北京协和医院
PCV做为亚洲人种多发的一种眼底疾病，它的治疗和预后与湿性AMD有些不同，因此对于二者的鉴别非常重要。PCV的诊断金标准是ICGA，因此北京协和医院眼科AI研究团队的这项研究，利用AI对于PCV和湿性AMD的ICGA图像进行识别对辅助临床诊断有重要的价值。本研究结果证明，采用两步法，即首先使用一个模型鉴别正常与异常ICGA图像，再使用另一个模型诊断异常ICGA图像中的PCV图像，可以取得满意的准确度，与眼底医师的诊断水平相媲美。
本文的另外一个创新点在于，它使用了一种新的方法，即最新的自动机器学习（AutoML）的方法。目前在AI研究领域，如何寻找一种准确率更高的学习模型确实是AI研究的核心技术问题。既往，我们常经验性地选择一种模型进行尝试，如果内部测试结果不理想，则在此模型的基础上进行优化。而本文采用的AutoML方法是用AI开发并优化AI算法，它不需要AI工程师的参与，并且能够找到最优的AI模型。本研究即是由只有医学背景的医生团队基于Google的AutoML平台完成的研究。
2 comments
京公网安备 11010502033360号
条评论
Linda Gareth
2015年3月6日, 下午2:51Donec ipsum diam, pretium maecenas mollis dapibus risus. Nullam tindun pulvinar at interdum eget, suscipit eget felis. Pellentesque est faucibus tincidunt risus id interdum primis orci cubilla gravida.