人工智能技术在视网膜领域的新发展:DR、AMD与近视

  • 2024-05-23 17:01:00
  • 125 Views

编者按:人工智能(AI)技术在眼底病领域的应用经历了过去一段时间的迅速发展,目前已有诸多成熟的产品应用于临床,并向更深入更广泛的领域延伸。在ARVO2024会议上,一系列创新性研究成果展示于众,体现了在糖尿病视网膜病变、老年相关黄斑变性、近视等疾病中的巨大潜能,不仅加速眼科疾病诊断和治疗的技术进步,也将为全球范围内的视力保护工作提供强有力的支持。


通过深度学习基于检测和量化视网膜无灌注区预测增殖性糖尿病视网膜病变

增殖性糖尿病视网膜病变(PDR)是导致糖尿病患者视力丧失的主要因素。激光治疗仍然是抑制其发病的主要手段。通常,激光的时机依赖于眼科医师的经验,缺乏客观参考。因此,研究者开发了一种基于深度学习的自动分割方法来量化眼底荧光血管造影图像中的无灌注区(NPA),并分析NPA参数在PDR风险预测中的价值。

一种基于U-net的方法通过三个模块增强:自适应编码器特征融合、多层深度监督损失和膨胀空间金字塔池化,使整合多尺度特征和上下文信息成为可能。从124例患者的155只糖尿病视网膜病变(DR)眼中收集生化和NPA数据。通过随机森林分析评估HbA1c、总胆固醇、无灌注指数(NPI)和NPA/视盘面积(ODA)在预测视网膜新生血管形成中的价值,并通过Youden指数和限制立方样条分析确定阈值点。

结果显示,所提出的方法在NPA识别方面表现出比现有方法(包括CE-net、deeplab、ConvNeXt等)更高的性能,AUC为0.975,准确度为0.943,敏感性为0.879,特异性为0.945,Dice为0.568。在随机森林预测模型中新生血管形成预测性能AUC值为0.92,NPI和NPA/ODA为最关键因素。单独使用NPA参数的阈值(NPI=4.50%和NPA/ODA=16.14),对有/无新生血管形成的组进行分层的敏感性值分别达到0.924和0.909,特异性分别为0.718和0.788。

研究结论:自动分割方法在DR中精确检测NPA。值得注意的是,与生化参数相比,NPA在评估视网膜缺血方面具有更重要的意义。基于NPA参数建立的阈值可以作为预测DR眼中新血管出现的有效指标。本研究为建立NPA参数的参考范围提供了有力证据,使得对PDR风险进行定量评估成为可能,并指导临床确定激光治疗的时机。

作者:Yuntao Hu,Bingjie Wang


AI量化光学相干断层扫描中视网膜外层异常作为地图样萎缩的临床终点

在光学相干断层扫描(OCT)上手动分级视网膜外层异常(ORD)耗时耗力,对于大型研究来说并不切实际。眼底自发荧光(FAF)已被用作地理萎缩(GA)试验的临床终点。本研究介绍了一个AI驱动的OCT分割模型,自动标记ORD的范围,并与FAF上手动分级的GA区域进行比较。

一个视网膜层分割模型EyeNotate,采用DeepLabv3+架构,在中期AMD和GA临床试验受试者(NCT01790802和NCT02399072;n=189)的6718张注释OCT B扫描上进行训练。该模型应用于另一项GA研究(NCT02479386;n=227,每位患者1-7次访问)的736个OCT,从en-face厚度图中派生出每个体积的ORD【即外界膜(ELM)丢失、椭圆体带(EZ)丢失和视网膜色素上皮(RPE)丢失】,被识别为零厚度层。在基线访视时评估OCT定义的视网膜外层丢失与FAF定义的GA区域之间的相关性。对于至少有两次随访的205名患者,计算了OCT定义的视网膜外层丢失率和FAF定义的GA增长速率之间的相关性。

结果表明,基线GA区域由FAF定义,以及OCT上的RPE丢失、ELM丢失和EZ丢失(平均值±标准差)分别为7.8±3.9、6.0±3.3、8.5±4.2和12.4±4.2 mm2。EZ丢失显著大于ELM和RPE丢失(P<0.01)。OCT定义的视网膜层丢失与FAF定义的GA区域之间存在强相关性,相关系数分别为:RPE丢失0.91、ELM丢失0.92和EZ丢失0.76(所有P<0.01)。当评估由OCT和FAF定义的年度GA病变增长率时,相关性仍然显著:RPE丢失率0.77、ELM丢失率0.78和EZ丢失率0.46(所有P<0.01)。在一年内发展出新的RPE丢失的91%区域在基线时有EZ丢失。

研究结论:AI分割的RPE和ELM丢失在OCT上与FAF定义的GA区域强相关,无论是横断面还是纵向。因此,这些OCT层可能作为GA研究中的潜在临床终点。

作者:Adam Pely, Simon S. Gao, Katie M. Litts, Zhichao Wu, Theodore Leng, Verena Steffen, Hao Chen, Dolly Shuo-Teh Chang, Mohsen Hejrati, Miao Zhang


无代码深度学习模型用于中国人群近视筛查

AI辅助检测近视可提高检测效率,尤其对于中国近视人数的急剧增长以及对广泛筛查的迫切需求,从而更早进行干预。自动机器学习(AutoML)是一种新型AI模型,以无代码的方式提供现成的机器学习算法。但尚未广泛用于近视筛查。本研究旨在评估AutoML在基于中国人群眼底图像检测近视者与正常眼的区分性能。

使用Google Vertex AI AutoML开发一个深度学习分类模型,将眼底图像分类为正常和近视眼底,包括高度近视和病理性近视。使用尚公医疗科技有限公司提供的公开访问数据集,图像收集自中国多家医院(共5000张眼底图像),根据可分级图像的共识标准,尚公数据集被整理成一个较小的数据集,包括近视和正常图像,其中80%的图像随机分为训练集,10%为验证集,10%为测试集。外部验证在中山眼科中心收集的另一个数据集中的399张眼底图像上进行。

结果显示,AutoML模型在精确度-召回率曲线下面积(AUPRC)达到0.997。在0.5置信度阈值时,整体性能指标如下:F1值(0.995),精确度(99.5%),召回率(99.5%),灵敏度(99.0%)。AutoML模型能够展示较好的区分性能,并且与AI专家手工编码的定制深度学习分类模型相比具有可比性。在外部验证中,AUPRC为0.788,F1值为0.784,精确度为78.45%,召回率为78.54%,灵敏度为64%。

研究结论:AutoML算法在实践中使用常规收集的眼底图像确认近视显示出令人满意的区分性能。它可能成为在中国社区推进近视筛查的有用工具。进一步旨在通过训练数据集提高算法泛化能力的研究将进行。

作者:Carolyn Yu Tung Wong,Henry Hing Wai Lau,Pearse Andrew Keane


结:由于眼部疾病的诊断和治疗监测往往严重依赖于图像识别,因此在眼科领域,人工智能的应用前景非常广阔。在ARVO会议上,大量的研究结果显示,人工智能可以基于不同的眼科影像准确识别多种常见致盲性眼病,且随着技术的不断升级优化,诊断筛查效能越来越高。


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