糖尿病眼底病人工智能应用现状

糖尿病眼底病的诊断、预防和治疗对医疗保健系统构成了巨大挑战。随着医疗信息互联互通、人工智能等高科技的融入，涌现出一批基于人工智能的糖尿病眼底病临床诊疗支持系统，通过人工智能系统，提升了诊疗能力，为糖尿病眼底病的预警、诊断和治疗提供了新的方向。

近年来，基于人工智能的技术，包括深度学习系统，在眼科越来越受欢迎，特别是在DR筛查方面。Google Health的Gulshan等是第一个展示基于视网膜图像的自动化算法的研究团队，该算法的准确性非常高，用于检测需转诊的DR（≥99%），其DR筛查的敏感性高达87.0%～97.5%，特异性高达90.3%～98.1%。此后，深度学习（DL）算法在不同人群的DR诊疗中被开发并验证。Decencière等的研究显示DR智能诊断的敏感性与特异性分别为96.8%、59.4%。Philip等通过比较患病率，发现筛查DR的敏感性达到86.2%，特异性为76.8%。Ting等开发了一个人工智能深度学习系统，用于识别除需转诊DR外的其他致盲眼病，如年龄相关性黄斑变性和青光眼，他们发现在DR筛查时，该系统对外部验证数据集中的准确率为90%～98%，该系统对其他致盲眼病的准确率约为94%。由Abràmoff等开发的AI系统IDX-DR可在无须临床医生的注释情况下检测成年糖尿病患者中轻度以上的DR，已被美国食品药品监督管理局批准。最近，中山大学中山眼科中心何明光教授团队的研究通过使用AI作为DR的初筛手段，发现在大规模的DR筛查中，可在不遗漏需转诊DR病例的情况下，减少约60%的图片分级工作量。

在DR筛查方面，我们通过采用深度学习算法对DR眼底图像进行分类，获得了具有较高敏感性及特异性的DR筛查智能诊断系统。我们对DR病变特征进行提取，并将提取到的局部信息嵌入生成对抗网络（GAN）模型，在DR眼底照片中标出相应的病变区域，使得机器学习和诊断时可以重点关注DR眼底照片中的标注区域。在这项研究中，我们共纳入糖尿病患者186例372眼，临床诊断及智能诊断DR的眼数分别为330眼及334眼，患病率为88.7%、89.8%。DR一致性分析结果显示，高度一致性为309眼，Kappa值为0.78，95%置信区间为0.67～0.89（83.1%），具有显著一致性。本次研究中我们采用合作单位自行研制的深度学习算法的智能筛查程序，发现DR的准确率为0.73，敏感性为82%，特异性为91%。

基于彩色眼底照相的AI辅助诊断系统在DR筛查中展现了良好的敏感性和特异性。2019年中国医药教育协会智能医学专委会智能眼科学组起草并通过了《基于眼底照相的糖尿病视网膜病变人工智能筛查系统应用指南》，对基于彩色眼底照相的AI辅助DR诊断平台的硬件参数、设备配置、数据采集及标准、数据库建立、AI算法要求、AI筛查报告内容格式、临床AI筛查随访方案制定了相关规范和建议。

基于眼底荧光血管造影的智能诊断系统为AI在DR精准诊疗方面打下了坚实的基础。西南医科大学硕士研究生李知恩通过将糖尿病患者的眼底荧光血管造影图片与计算机深度学习技术及图像配准技术相结合，利用海量的标注过新生血管及黄斑水肿的眼底荧光血管造影图片对智能诊断系统进行学习训练，组建一套基于眼底荧光血管造影的DR新生血管及黄斑水肿的智能诊断系统。外部验证得出检测新生血管敏感性及特异性最高分别为0.963和0.786，黄斑水肿敏感性及特异性最高分别为0.823和0.857。

DR筛查的另一个主要问题是检测DME，但从二维眼底照片中捕捉到DME相对困难。可以使用OCT图像训练深度学习算法来检测DME。Kermany等首先将深度学习算法和迁移学习技术应用于检测DME、脉络膜新生血管、玻璃膜疣和正常2D OCT图像，他们通过在1 000张二维OCT图像数据集中测试训练模型的性能，发现2个模型都具有了高性能（敏感性≥96%，特异性≥94%，AUC≥0.99）。AI在自动分割OCT图像以诊断DR和DME方面也表现出色。在赞比亚进行的一项评估基于人工智能的深度学习性能的研究表明，该系统在检测需转诊的DR、威胁视力的糖尿病视网膜病变（vision-threatening diabetic retinopathy，VTDR）和DME方面具有97%～99%的准确率。