ARVO青光眼丨聚焦热点,看人工智能如何改变青光眼诊治格局

  • 2024-05-09 17:31:00
  • 320 Views

编者按:青光眼是一种导致视神经进行性、特征性损伤的疾病,具有高患病率及高致盲率的特点。它所导致的视功能损害往往呈进行性发展,无法恢复,是我国乃至全球首位不可逆致盲性眼病。近年来,在许多领域引领了创新与革命的AI(人工智能)技术,被视作是解决上述困境的关键突破口。AI通过深度学习建立诊断模型,能够提供眼底图片的辅助参数,只需要数秒即可初步判断被检者是否存在眼底疾病,给出诊断意见,进而辅助早期筛查与预防,降低青光眼盲的风险。在ARVO2024会议上,诸多学者分享了AI辅助下青光眼诊疗的发展和创新。


利用人工智能技术区分青光眼/近视患者

Sharma等人的研究目的是开发一种深度学习算法,能够检查从光学相干断层扫描(OCT)扫描中提取的视神经头(optic nerve head ONH)的三维(3D)形态,并以此来区分健康( healthy H)、高度近视(highly myopic HM)、青光眼(glaucoma G)患者和高度近视伴青光眼(high myopia and glaucoma HMG)患者。

这是一项横断面研究,754名参与者(256 H、94 HM、227 G和108 HMG)共进行了685次扫描,不包括病理性近视患者。使用反射率(Abyss Processing Pte Ltd)通过OCT扫描描绘ONH的三个视网膜层和四个结缔组织层,并将层边界转换为3D点云(PC)。将OCT光栅扫描转换为径向扫描(RScan),并从每个OCT体积中以300个间隔提取六个RScan。设计了一种新的集成PointNet网络,专门利用4类分类(H、HM、G和HMG)的ONH的结构信息,同时分析3D PC和分段RScan。进行了三项测试(测试1:仅使用3D PC进行分类,测试2:仅使用RScan进行分类,以及测试3:同时使用3D PC和RScan进行分级),并通过报告每个类别(一个与所有类别)的受试者工作特征曲线下面积(AUC)来评估网络性能。

该网络在四类之间实现了非常好的区分,显示出0.93±0.03的微平均AUC(测试3)。H的一个AUC值与所有AUC值之比为0.95±0.02,HM为0.90±0.02,G为0.90士0.04,HMG为0.89±0.02。当仅使用PC时,网络显示出0.91±0.03的AUC(测试1),而对于六个分段的RScan,它显示出0.90±0.02的AUC。值得注意的是,与其他病例相比,试验3的分类AUC显著更高(P<0.001)。

Sharma等人的研究证明了设计的集成PointNet可以高准确度地有效区分近视眼和青光眼。该方法有望仅依靠ONH的3D形态,将高度近视眼与青光眼区分开来。但研究者也认为,虽然分类性能良好,但需要在相当大的人群中进行验证,以使临床使用的可靠性较高。

讲题:Harnessing Optic Nerve Head Structural Information for AIBased Classification of Glaucoma and Myopia

第一作者:swati sharma

共同作者:  Tun Tin, Thanadet Chuangsuwanich, Fabian Braeu, Quan V. Hoang,Rachel Chong, Tin Aung, Michael J A Girard


如何通过仅基于一个视野(Visual Field VF)数据输入的深度学习模型来预测点式视野

准确评估疾病进展对青光眼管理至关重要。Hiroshi等人的研究目的是探索在未来多久深度学习模型可以仅基于一个VF输入,在预期变异范围内预测逐点视野(VF,Humphrey,24-2 SITA Standard,Zeiss,Dublin,CA)数据。

研究方法为在纵向青光眼队列中收集每个受试者的一系列VF测试结果。新开发的深度学习模型架构CoTrNet结合了卷积和变换器,用于基于单个基线VF数据预测未来可变时间点的逐点VF灵敏度。1423名受试者8390个VF系列的总数,其中VF测试之间的各种间隔被算作单个系列,用于模型的训练、验证和测试。基线和预测未来时间点之间的时间间隔与基线VF连接,以形成模型的输入。平均绝对误差(mean absolute error MAE)用于训练和评估。作为与传统架构的比较,还训练了级联网络-5(卷积神经网络(convolutional neural network CNN)架构)和递归神经网络(recurrent neural network RNN,长短期记忆(long short term memory,LSTM)架构)。CascadeNet-5从一个VF数据中获取数据作为输入,就像我们的CoTrNet一样,而RNN从两个连续的基线VF数据作为输入。对于3个模型,数据集被分割以进行10倍交叉验证,且没有患者重叠。

研究结果显示受试者的平均年龄为66.1±12.0岁。该队列的平均基线VF平均偏差(mean deviation MD)为-5.6±7.4 dB(中位数-2.74,范围为-34.0至5.8 dB)。图例显示了3个深度学习模型的性能作为预测时间的函数。CoTrNet在达到4年之前显示出最低的MAE,所有这些都在预期的可变性范围内(<2.75dB),此时CoTrNet和CascadeNet-5都显示出MAE的突然上升,这样的现象可能是小的测试样本量所致。

该研究结果显示新开发的CoTrNet模型实现了长达3.5年的稳定预测性能,并且优于其他测试模型。CoTrNet可以提供一种在第一次就诊时,只需要一次VF测试即可预测未来青光眼发展的方法。

讲题:How Far in the Future Can a Deep Learning Model Forecast Pointwise Visual Field (VF) Data Based Solely on One VF Data Input

第一作者:Hiroshi Ishikawa

共同作者:Ashkan Abbasi, Sowjanya Gowrisankaran, Bhavna Josephine Antony, Xubo Song, Gadi Wollstein, Joel S. Schuman


一种新型跨四个成像平台结构元评分用于评估青光眼的长期进展

Sangwook等人开发一种单一量表的结构综合评分(structural metascore SMS),该评分结合了四种成像设备的测量结果,以便于评估长期结构性青光眼损伤并分析其预测性能。

研究方法是SMS结合四种成像设备的测量结果(视盘摄像[optic disc photography OPD]边缘面积与视盘面积之比[ rim area to disc area ratio RADAR]、海德堡视网膜断层扫描II[Heidelberg Retina Tomograph HRT]边缘面积、HD Cirrus光学相干断层扫描[optical coherence Tomography OCT]平均视网膜神经纤维层[ retinal nerve fiber layer RNFL]厚度、Spectralis OCT RNFL全层厚度),并将其表示为从0(最差)到100(最好)的单一测量值。用先前报道的方法绘制SMS与时间的关系图(De Gainza 2022)。SMS性能通过预测未来值的能力(内部验证)和斜率,以及与三名专家评分员分配的平均成绩的相关性(外部验证)进行评估。

研究为1556名患者的2914只眼睛创建SMS图。平均基线年龄(±SD)为60.5(±11.2)岁,平均随访12.0(±4.8)年,每只眼睛的平均图像数为14.0(±5.8)。ODP、HRT、Cirrus和Spectralis。SMS斜率的中位数为-0.4(四分位间距1.1)。平均绝对预测能力为7.74/100(其中100=整个标准化量表)。三位临床医师分配的平均等级与SMS斜率之间的相关性分别为-0.51、-0.66和-0.56,第一等级(等级仅具有结构成像设备打印输出)、第二等级(仅具有SMS图)和第三等级(打印输出+SMS图)。当评分者同时使用设备打印输出+SMS图时,他们之间的一致性最高(评分者A&B=88%;评分者A&C=77%;评分者B&C=83%)。

这项新开发的SMS包括ODP的自动测量,与以前的SMS相比,显示出类似的预测能力,且评分者之间的一致性更高。通过纳入ODP,可以在不同以及曾经无法相比较的平台上,在单一尺度上解释长期结构性青光眼的进展,从而获得可接受的准确性。

讲题:A new structural metascore across four imaging platforms to measure long-term progression in glaucoma

第一作者:Sangwook Jin

共同作者:Daniela Andrea Khaliliyeh Yarur , Esteban Morales , Ella Bouris , Joseph Caprioli


总结:青光眼是全球范围内导致失明和残疾的重要眼病。未来几年,其患病率还将进一步增加,对医疗保健体系及个人患者产生重大影响。与之对应,人工智能在在青光眼中的研究与应用日臻成熟,促进了人们对青光眼的理解,极大地提高了青光眼筛查与诊断的准确性与效率,大大降低了检查成本。这些算法能够提供更快、更可靠的诊断结论,改善服务不足人群获取诊疗资源的机会,并减少诊断结果的大幅波动。


声明:本文仅供医疗卫生专业人士了解最新医药资讯参考使用,不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导,也不应被视为诊疗建议,如果该信息被用于资讯以外的目的,本站及作者不承担相关责任。

2 comments

发布留言

条评论

  • Linda Gareth
    2015年3月6日, 下午2:51

    Donec 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.


相关阅读