近日，我院眼科王康教授團隊在視網(wǎng)膜疾病領(lǐng)域著名期刊Retina上發(fā)表論文Development and Validation of an Explainable Artificial Intelligence Framework for Macular Disease Diagnosis Based on OCT Images.

在本研究中，王康教授團隊提出了一種新的具有更強解釋性的融合圖像水平病變識別和眼睛水平病種診斷的人工智能集成框架，該架構(gòu)包括應(yīng)用深度學(xué)習(xí)實現(xiàn)對OCT圖像上的多種視網(wǎng)膜病變進行識別以及應(yīng)用隨機森林方法在單眼層面基于一系列病變信息來診斷可能的黃斑疾病。本研究在大量數(shù)據(jù)上開發(fā)和驗證這一基于OCT圖像水平視網(wǎng)膜病變分類和眼部水平黃斑疾病診斷的更具說服力的框架。

黃斑位于視網(wǎng)膜后極部，是人類視覺產(chǎn)生的重要結(jié)構(gòu)。當(dāng)患者黃斑出現(xiàn)某些病變時，可發(fā)展為損害視力的黃斑部疾病，例如糖尿病性黃斑水腫(diabetic macular edema，DME)和老年性黃斑變性(age-related macular degeneration，AMD)。DME是糖尿病的主要并發(fā)癥之一，全球超過2000萬例糖尿病患者中，平均每15名糖尿病患者中就有一人受到DME的影響。AMD是老年人部分或全部失明的主要原因，可分為干性AMD和濕性AMD。準(zhǔn)確識別視網(wǎng)膜病變和黃斑部疾病對臨床診斷和治療具有重要意義。基于OCT影像，臨床醫(yī)生可以識別與疾病診斷相關(guān)的各種視網(wǎng)膜病變，開發(fā)一種OCT影像智能分析系統(tǒng)在眼科領(lǐng)域很受關(guān)注。

本研究采用Spectralis OCT設(shè)備(Heidelberg Engineering, Heidelberg, Germany)，中心凹為掃描中心，B-scan間隔=240 μm；掃描范圍包括31幅圖像，水平范圍30°，垂直范圍25°。

本研究遵循赫爾辛基宣言的原則，并得到了我院醫(yī)學(xué)倫理學(xué)委員會的批準(zhǔn)。該研究收集了2016年至2020年在我院受檢的865只眼，沒有基于年齡、性別或其他人口統(tǒng)計信息的排除標(biāo)準(zhǔn)，共26815張Heidelberg Spectralis OCT圖像，納入了9個視網(wǎng)膜病變（視網(wǎng)膜前膜（epiretinal membrane，ERM）、視網(wǎng)膜內(nèi)高反射物質(zhì)、IRF、SRF、視網(wǎng)膜下高反射物質(zhì)、纖維血管色素上皮脫離、漿液性色素上皮脫離、玻璃膜疣和GA和3個黃斑疾病（DME、干/濕性AMD)。

專家招募了4名初級臨床專家(2名眼科醫(yī)生和2名驗光師，每人都有5年以上的視網(wǎng)膜臨床工作經(jīng)驗)和2名高級眼科醫(yī)生(每人都有20年以上的臨床視網(wǎng)膜工作經(jīng)驗)進行病變注釋。最后，將所有標(biāo)注的數(shù)據(jù)集劃分為訓(xùn)練集(731只眼)、驗證集(54只眼)和測試集(80只眼)。這些數(shù)據(jù)集中保存了相似的病變和疾病類型分布。訓(xùn)練和驗證集用于優(yōu)化模型參數(shù)，測試集用于評估算法的性能。

王康教授團隊采用深度學(xué)習(xí)將圖像按一定特征進行分類識別視網(wǎng)膜病變和再采用隨機森林鑒別黃斑部疾病，并將這兩階段集成框架的性能與眼科專家進行了比較和評估。

在80只眼的2480張海德堡OCT圖像測試數(shù)據(jù)集上，深度學(xué)習(xí)模型的平均曲線下面積(Area Under Curve, AUC)為0.978 (95% CI, 0.971-0.983)。隨機森林能夠以0%的錯誤率進行準(zhǔn)確的疾病診斷，其準(zhǔn)確率與1位眼科專家相同且優(yōu)于其他3位專家。黃斑中心部位特異性病變的檢測對黃斑疾病的診斷有更大的貢獻(xiàn)。  

收集的眼睛的疾病類別是根據(jù)電子病歷中先前的診斷確定的，并由2名資深眼科醫(yī)生進一步確認(rèn)。除正常眼外，還納入3種黃斑病變，包括DME、干性AMD和濕性AMD。

王康教授團隊所開發(fā)的這一方法在基于海德堡OCT圖像進行視網(wǎng)膜病變分型和黃斑病變診斷方面具有較高的準(zhǔn)確性和可解釋性，有促進臨床診斷的潛力。

本研究基于海德堡OCT影像，應(yīng)用人工智能方法包括深度學(xué)習(xí) （Deep learning）和隨機森林（Random forests）在視網(wǎng)膜病變分類和黃斑病變診斷中實現(xiàn)了高精度和可解釋性，并有可能促進臨床診斷。（眼 科）