编者按：北京协和医院眼科陈有信教授在北京市科委重点研发项目的支持下，利用人工智能技术，研究基于眼底彩照的深度学习模型同时识别12种眼底异常。该研究联合了5个临床及科研机构（北京协和医院、北京同仁医院、河南省立眼科医院及北京爱尔英智眼科医院、北京致远慧图科技公司）共同参与，历时近2年时间，共纳入六万余张眼底彩照用于模型的训练和测试。目前，该研究获得了较为理想的初步结果，相关研究今年在线发表在British Journal of Ophthalmology杂志上。迄今为止，这是国际上基于眼底彩照纳入最多眼底疾病病种的AI眼底筛查研究。
该研究选择了正常眼底及临床上常见的糖尿病视网膜病变、干性及湿性年龄相关性黄斑变性、视网膜静脉阻塞、病理性近视眼底病变、视网膜脱离、黄斑裂孔、黄斑前膜、视网膜色素变性、青光眼视神经损伤、视乳头水肿、视神经萎缩等共12种常见的可通过眼底彩照进行早期筛查的疾病进行人工智能图像识别，共回顾性收集64914张眼底彩照纳入研究，其中56738张用于模型的训练和验证，8176张不同来源的真实临床图像进行测试以保证结果的可靠性，共17位临床医师参与的标注和审核。本研究在设计时也同时考虑到临床上常有一人同时患有2种甚至更多种眼底疾病的可能性，允许对同一标注多个疾病标签，也更为契合临床实际情况。经调试完善，该研究中深度学习模型在测试集中AUC平均可达到0.971，平均识别灵敏度达到87.4%，特异度达到94.2%。与四名3年以上临床培训的住院医师进行比较，模型表现也可圈可点，其识别的敏感度更佳，特异度则稍有欠缺，可符合临床筛查场景下减少漏诊的实际要求。
图1. 深度学习模型多不同病种的识别热力图，红色为模型高关注度区域，与实际临床诊断时所关注特征一致。
图2. 深度学习模型2个外部测试集中对不同病种识别的ROC曲线图。AUC均达到0.93以上，平均为0.971。
既往对于开发多病种识别的人工智能模型的尝试已不在少数，但是由于数据库的缺乏，多数以现有的糖尿病视网膜病变数据库、年龄相关性黄斑变性数据库等为基础进行模型训练，因此所能识别的病种极为有限，一般在5个病种以内。致力于病灶或视网膜异常的识别有成功的尝试，但归纳到病种则突破有限。10个以上病种识别的尝试也有报告，由于数据库仅有两百余张眼底彩照，所得结果不甚理想，也无法用于临床筛查。本研究多病种数据库的构建经历了异常艰辛的历程，从收集图像，到质量控制、病种标注，每一个环节的严格把控为最终模型训练的成功打下了坚实的基础，这是目前AI眼底疾病筛查研究最领先的研究成果。
本研究初步证实了采用深度学习模型进行眼底彩照多病种识别的可行性，研究也不可避免存在一定的局限性，对于某些病种的识别效能仍有欠缺，团队目前仍在致力于进一步拓宽数据库中图像来源，增加其多样性以使得模型训练和识别更为稳定，更能适应多变的临床实际场景，同时进一步增加可识别的病种数，优化现有病种的识别效能，为今后真正应用于临床筛查稳健迈进。
“眼底一张照，眼病早知道”，随着近年民众对于眼底病认识的逐渐深入，使用眼底彩照进行疾病筛查的需求也变得日益迫切，同时也给了眼底病医生更多机会，对多种不可逆致盲性眼底病进行早期发现和早期干预，以更好的保护人们的眼健康。
论文链接：Li B, et al. Br J Ophthalmol 2021;0:1–8. doi:10.1136/bjophthalmol-2020-316290
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.