JAMA｜离线AI诊断糖尿病视网膜病变竟然也具有稳健的高敏感性，普及意义更加深远

点击右上角"..."中的"

"按钮进行分享

代谢网 · 2019/08/19

打开微信”扫一扫“打开网页后点击屏幕右上角分享按钮

导读：糖尿病视网膜病变(DR)是世界上许多国家工作年龄人口中可预防失明的主要原因。美国40岁以上糖尿病视网膜病变患病率为3.4％，其中威胁视力的比例约为0.75％。我国糖尿病视网膜病变在糖尿病患者人群患病率为24.5％-37.5％，增殖糖网的比例为3.3％-7.4％，糖尿病黄斑水肿与临床有意义的黄斑水肿在糖尿病罹患人群中的发病率为5.2％-3.5％^[1]。糖尿病患者通常直到DR的晚期才会出现症状，因此，为了及时开始治疗，有必要对威胁视力的并发症进行筛查^[2,3]。

国外许多国家开展了糖尿病视网膜病变的远程诊疗。一个远程诊疗系统主要包括以下三个部分：1. 能够重复获取高质量视网膜图像的图像采集系统；2. 评估糖尿病视网膜病变严重程度的图像阅片中心；3. 临床协调中心，将研究结果传达给初级保健提供者和患者，并根据需要进行门诊预约或治疗^[4]。

具有代表性的远程诊疗模式

英国NHS系统

National Health System Diabetic Eye Screening Program（NDESP）是全世界范围内第一个政府级别的糖网筛查监控项目，几乎覆盖了英国全国范围。该系统的糖尿病视网膜病变的远程筛查监控系统是ATA2级。NDESP远程医疗的效果是显著的，在英国开展NDESP后，近几年英格兰及威尔士地区致盲首位原因不再是糖尿病视网膜病变^[5]。

美国JVN、EyePACS和Digiscope系统

美国JOSUN VISION NET WORK（JVN）远程医疗诊断网络是符合ATA3级的糖网筛查监控项目。JVN目前在退休军人健康管理范围内广泛开展，并逐渐推广至印度等国，已有120 000人接受筛查和监控。相比传统项目，该项目的随诊效果更好，且对疾病的检出和治疗都有明显的效果。4年间激光治疗的比率上升50％^[6]。

此外，2001年美国加利福尼亚州EyePACS（ATA1级）远程诊疗系统上线。但该项目的随访率仅为15％，随访的患者中仅有30％能够去眼科进行进一步随访^[7]。

美国巴尔的摩的Digiscope（ATA1级）远程诊疗项目的图像采集系统操作简单，界面友好，能自动实现瞳孔对焦。对于初次接受筛查的患者，该项目糖网的转诊率为20％^[8]。

加拿大的远程诊疗系统

加拿大阿尔伯特省的远程诊疗项目是ATA3级的远程医疗项目。因为加拿大地广人稀，许多人距离医院非常远，导致就诊和随诊难度较大。因此远程医疗项目对诊断的准确度具有较高的要求，希望能够将所有需要就诊治疗的患者转诊到眼科专科。在建议转诊的同时，该项目还能针对该患者的情况，安排其他必要的检查，使得患者就诊效率更高[9]。

中国MMC糖网防控中心

根据《“十三五”全国眼健康规划（2016-2020）》和《国家卫生计生委办公厅关于印发糖尿病视网膜病变分级诊疗服务技术方案的通知》，中国MMC（标准化代谢性疾病管理中心）糖网防控中心由此“出世”。基于物联网大数据的糖网管理平台，利用AI技术和人工结合优势，实现糖尿病视网膜病变的早筛查早治疗。截止2019年8月1日，已有223家MMC糖网中心开展，累计上传90 118人次。

不同国家或地区普及存在的问题

以上发达国家由于其有效的基于人群的筛选程序，即使用桌面视网膜摄像机捕捉数字视网膜照片，然后经初级或二级人员进行分析或复验，都已经使得DR已经减少。但这些都是昂贵、耗时和复杂的筛查程序，需要大量摄像机使用培训，以及经验丰富的视网膜分级人员，限制了这些模型在发展中国家的发展。

为了达到准确和简单筛查步骤的需求，基于智能手机的视网膜成像筛查方式逐渐崭露头角。目前，正成为社区筛查DR的一种经济有效的方法。有研究显示，使用标准视网膜摄像机拍摄的视网膜图像的自动分析，有望在基于人群的DR筛查项目中具有成本效益和可扩展性^[10]。将类似的自动分析技术整合到低成本的、基于智能手机的设备中已经被证明是可行的^[11]。

尽管如此，世界上仍有许多地方无法确保获得稳定的互联网连接，而大多数自动算法都使用深度学习和神经网络，这些网络需要处理器密集型环境进行推理，要求图像需要传输到云端。

离线人工智能应运而生

近期，JAMA Ophthalmology在线发布了一项验证直接在智能手机上运行离线自动分析算法的性能，这是第一个评估离线人工智能(AI)算法来检测DR的研究。

来源：JAMA官网

这是一项评估诊断准确性的前瞻性、横断面研究。在印度孟买市政公司管理的各个药房就诊的糖尿病患者，通过便携式的、基于智能手机的非动态视网膜成像系统进行了DR筛查。收集初步数据，如年龄、性别、糖尿病发病时间、餐后血糖水平。根据早期治疗DR研究方案，首先拍摄前段照片，然后是眼底3个区域（即后极，包括椎间盘和黄斑，以及鼻腔和颞部）（图1）。智能手机上的离线人工智能算法会标记出质量较差的图像，促使操作人员对同一视网膜视图拍摄额外的照片，直到这些图像被人工智能系统认为可以接受。

图1 早期治疗糖尿病视网膜病变研究方案

研究当天共有255名糖尿病患者在药房就诊，231人同意进行DR筛查，眼科医生认为其中有18名患者的一只或两只眼睛的图像无法分级，将这些人排除在外。因此，对213例患者进行人工智能评估可参考的糖尿病视网膜病变（RDR）分析，1名或1名以上眼科医生对相同的图像进行评分，并将其作为基本事实(定义为以直接观察为金标准)。

离线人工智能 VS. 眼科医师

共有187名患者被眼科医生评分诊断为无DR；而AI正确诊断172名患者，另15名患者（8.0％）被错误诊断为患有RDR。15名RDR患者均被AI和眼科医师正确诊断。在由眼科医生诊断出12例轻度非增殖性DR病例中，8例（67％）被AI诊断为患有RDR，而4例（33％）被诊断为无DR。这使得诊断RDR的敏感性和特异性分别为100％（95％CI：78.2％-100％）和88.4％（95％CI：83.16％-92.53％）；诊断DR的敏感性和特异性分别为85.2％（95％CI：66.3％-95.8％）和92.0％（95％CI：97.1％-95.4％）（表1）。

表1 离线人工智能诊断与眼科医生诊断

由于图像拍摄是由非专业人员完成的，因此有些图像不符合AI的最低图像质量要求。进行单独的分析时，要求研究人员在评估AI的诊断准确性时使用拍摄的所有图像，包括不符合AI的最低质量标准的图像（图2）。在这种情况下，检测RDR的敏感性继续保持100.0％，特异性降至81.9％（95％CI：75.9％ - 87.0％）（表1）。

实际上，眼科医生对包含质量差图像的相同数据集进行分析显示，RDR的检测敏感性为100.0％（95％CI：85.2％ - 100.0％），特异性为87.6％（95％CI：83.8％ - 90.8％）；检测任何DR的敏感性为81.0％（95％CI：65.9％ - 91.4％），特异性为90.1％（95％CI：86.4％ - 93.0％）（表1）。

图2 劣质图像的人工智能分析

总结

在印度这样的发展中国家，有近70％的人口居住在农村地区，每10万人中仅配有1名眼科医生^[12]。本研究显示离线AI算法如何通过对视网膜图像进行自动、即时分级来帮助解决眼科医生的缺乏问题，突出显示实施大规模模型以筛选RDR是可能的解决方案。

根据研究结果，离线AI分析RDR的检测敏感性保持在100.0％，这表明离线算法在筛选RDR时具有固有的稳健性。与其他研究相比，本研究中检测RDR的特异性可能略低，如EyePACS-1数据集中检测RDR的敏感性和特异性分别为97.5％和93.4％^[11]。

这是因为许多轻度非增殖性DR病例已通过离线自动分析确定为RDR。离线AI故意没有针对轻度非增殖性DR图像进行培训，以确保无DR和RDR诊断的高度特异性。除了DR之外的视网膜病变，如色素性视网膜炎、玻璃疣和视网膜色素上皮细胞的变化，被AI过度诊断为RDR。虽然错误地标记为RDR，但这些病例可能也需要转诊给眼科医生。

离线自动分析相对于以前使用的深度学习算法^{[10,13,14,15,16]}的主要优点可能是它可以在智能手机上离线使用，并且不需要互联网访问来实时传输图像，这样可以立即给患者带来结果。AI还在图像上提供病变检测图（图2），指导健康工作者并教育患者。

参考文献：

1. 《中国糖尿病防控专家共识》专家组. 中国糖尿病防控专家共识[J]. 中华预防医学杂志，2017，51(1)：12—12.
2. Squirrell DM, et al. Screening for diabetic retinopathy. J R Soc Med. 2003;96(6):273-276. doi: 10.1177/014107680309600604.
3. Bachmann MO, et al. Impact of diabetic retinopathy screening on a British district population: case detection and blindness prevention in an evidence-based model. J Epidemiol Community Health. 1998;52(1):45-52. doi:10.1136/jech.52.1.45.
4. Li HK，et al. Telehealth practice recommendations for diabetic retinopathy，second edition [J]. Telemed J E Health，2004，17(10)：469-482.
5. Misra A，et al. Trends in yield and effects of screening intervals during 17 years of a large UK community-based diabetic retinopathy screening programme[J]．Diabetic Med，2009，26(10)：1040.
6. Conlin PR，et al. Framework for a national teleretinal imaging program to screen for diabetic retinopathy in Veterans Health Administration patients[J]. J Rehabil Res＆Develop，2006，43 (6)：741—748.
7. Cuadros J，Bresnick G. EyePACS：an adaptable tele-medicine system for diabetic retinopathy screening[J]. J Sci & Technol，2009，3(3)：50-516.
8. Johansen MA，et al. The potential of digital monochrome images versos co]our slides in telescreening for diabetic retinopathy[J]. J Telemed Telecare，2008，14(1)：27-31.
9. Ng M，et al. Improving access to eye care：teleophthalmology in Alberta，Canada[J]. J Sei Technol, 2009, 3(2)：289-296.
10. Gulshan V, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-2410. doi: 10.1001/jama.2016.17216.
11. Rajalakshmi R, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye (Lond). 2018;32(6):1138-1144. doi:10.1038/s41433-018-0064-9.
12. Lundquist BM, et al. Patient perceptions of eye disease and treatment in Bihar, India. J Clinic Experiment Ophthalmol. 2012;3:2. doi:10.4172/2155-9570.1000213.
13. Ting DSW, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA. 2017;318(22):2211-2223. doi:10. 1001/jama.2017.18152.
14. Abramoff M, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digital Medicine. 2018;1 (39):1-8. doi:10.1038/s41746-018-0040-6.
15. Walton OB IV, et al. Evaluation of automated teleretinal screening program for diabetic retinopathy. JAMA Ophthalmol. 2016;134(2):204-209. doi:10.1001/jamaophthalmol. 2015.5083.
16. Kumar PNS, et al. Automated detection system for diabetic retinopathy using two field fundus photography. Procedia Comput Sci. 93:486-494.

糖尿病视网膜病变

文章来源：代谢网

(本网站所有内容，凡注明来源为“代谢网”，版权均归代谢网所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：代谢网”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)

分享到微信