论文部分内容阅读
糖尿病视网膜病变(Diabetic Retinopathy,DR)是常见致盲性眼病。DR的患病率、致盲率逐年升高,是目前工作年龄人群第一位的致盲性疾病。随着糖尿病患者的大幅增多,未来的DR患者数量会成倍增长。免散瞳眼底照相检查被认为是最适合DR筛查的标准方法和手段,操作过程简便,图像的采集除了眼科,在社区、体检机构或内科也可以完成。深度学习(Deep Learning,DL)是机器学习(Machine Learning,ML)领域一个热门研究方向。深度学习技术与医学影像的融合研究是目前热门的发展方向,眼科影像特别是眼底照相图像非常适合训练深度学习算法,用于病灶部位特征提取和识别。DR在眼底照相图像上有明显的识别特征,通过深度学习等技术对DR图像进行自动分析与诊断,使DR眼底照相图像的病情分析变得便捷快速,将有效提高DR筛查效率,使大面积筛查成为可能,有助于糖尿病患者的疾病控制,创造巨大的经济社会效益!利用眼底照相的资源优势和基于深度学习的大数据处理技术,有利于DR的早期发现、早期诊断与早期干预,降低群众的DR疾病风险,有利于全民眼健康。本研究主要研发基于眼底彩色照相的DR智能辅助诊断的模型,并提出相应的综合评价体系,开展相关的应用研究。
第一部分基于眼底照相的糖尿病视网膜病变智能辅助诊断系统的研发
目的
利用深度学习等技术开发用于DR辅助诊断的计算机自动筛查系统,能够自动进行DR眼底彩色照相的分级。
方法
选取训练样本为1万张经专家诊断后的DR0~4期的眼底彩色照相,通过深度学习算法构建DR智能辅助诊断模型。根据国际DR分级标准,DR智能辅助诊断模型对眼底彩色照相进行自动分级辅助诊断。利用建立的DR智能辅助诊断模型对浙江省数理医学学会智能眼科数据库内选取的331例糖尿病患者662眼的彩色眼底照相图像进行了智能判断,以眼底照相的专家临床诊断结果作为对照标准;分析DR智能辅助诊断系统发现DR、发现需转诊DR、发现重度NPDR和PDR的能力以及发现PDR的能力;在662眼DR彩色眼底照相图像中,以专家标注病灶数为对照,统计该模型检出病灶总数和检出真实病灶数,通过灵敏度和精准度评价该模型病灶区域可视化方法在662眼照片中的DR病灶可视化效果。
结果
专家诊断组结果显示,无DR患者150眼(22.7%),轻度、中度和重度非增殖性糖尿病视网膜病变(Non Proliferative Diabetic Retinopathy,NPDR)患者分别132眼(19.9%)、124眼(18.7%)和170眼(25.7%),增殖性糖尿病视网膜病变(Proliferative Diabetic Retinopathy,PDR)86眼(13.0%)。智能辅助诊断组结果显示无DR患者171眼(25.8%);轻度、中度和重度NPDR患者分别130(19.7%)、128(19.3%)和151(22.8%),PDR共82眼(12.4%)。智能辅助诊断准确率为69.6%,Kappa系数为0.62。
DR智能辅助诊断系统发现DR491眼、发现需转诊DR361眼、发现重度NPDR和PDR233眼以及发现PDR82眼。辅助诊断系统中识别是否患DR模型的灵敏度为0.914,特异度为0.847,识别是否需要转诊DR模型的灵敏度为0.884,特异度为0.911,识别是否为重度NPDR和PDR模型的灵敏度为0.805,特异度为0.933,识别是否为PDR模型的灵敏度为0.779,特异度为0.974。智能辅助系统中诊断是否患DR模型的AUC值为0.880,智能辅助系统中诊断是否需要转诊DR模型的AUC值为0.898,智能辅助系统中诊断是否为重度NPDR和PDR模型的AUC值为0.869,智能辅助系统中诊断是否为PDR模型的AUC值为0.877。
662眼DR彩色眼底照相图像中,DR1~4期专家标记病灶数分别为188、269、385和306,本研究模型的DR病灶可视化方法检出DR1~4期真实病灶数分别为142、210、280和215,灵敏度分别为0.755、0.781、0.727和0.703,检出病灶总数为207、307、434和327,精准度分别为0.686、0.684、0.645和0.658,检出真实病灶数和灵敏度均高于文献方法。
结论
基于深度学习算法开发的DR智能辅助诊断模型能准确、高效地完成眼底照相的DR辅助诊断工作且病灶可视化效果好,能大幅减少阅片医生的工作量和主观性,具有很好的临床应用前景和社会效益。
第二部分糖尿病视网膜病变智能辅助诊断技术的评价体系建立与应用
背景
人工智能(Artificial Intelligence,AI)应用于DR的研究近几年发展迅速,美国卫生监管机构食品药品监督管理局(FDA)已于2018年4月批准了世界上第一款人工智能医疗设备IDx-DR用于检测DR。目前缺乏基于眼底彩照的DR智能辅助诊断技术的评价体系。为了该技术能为广大医务人员接受并广泛应用,需要建立可靠的评价体系。
目的
提出基于眼底彩照的DR智能辅助诊断技术的评价体系并应用。
方法
建立基于眼底彩照的DR智能辅助诊断技术的评价体系。选择浙江省数理医学学会智能眼科数据库中的糖尿病患者眼底彩照500张(DR0~4期,每期各100张),眼底彩照由临床专家和智能技术分别做出诊断。比较临床专家诊断及基于眼底彩照的DR智能辅助诊断技术的应用情况。评价体系分为初级评价、中级评价和高级评价,中级评价包括了两种评价方法,主要评价指标包括灵敏度、特异度和Kappa值。
结果
专家诊断组显示500张糖尿病患者眼底彩照中,按DR0~4期分类,每期各100张。而智能辅助诊断结果显示500张糖尿病患者眼底彩照中,93张(18.6%)为无DR,轻度NPDR107张(21.4%),中度NPDR107张(21.4%),重度NPDR108张(21.6%),PDR者85张(17.0%)。
按照本研究提出的评价体系,初级评价中智能辅助诊断灵敏度为98.8%,特异度为88.0%,Kappa为0.89;中级评价方法一中智能辅助诊断灵敏度(判断被测者患有重度DR的准确率)为98.0%,特异度(判断被测者患有轻度DR的准确率)为97.0%,Kappa为0.95;中级评价方法二中智能辅助诊断灵敏度为95.5%,特异度为99.3%,Kappa为0.95;高级评价中智能辅助诊断Kappa为0.86。
结论
基于眼底彩照的DR智能辅助诊断技术的评价体系可以较好地应用在DR智能辅助诊断技术的评价,对DR智能辅助诊断技术的评价结果可以作为DR智能辅助诊断应用场景选择的依据。
第一部分基于眼底照相的糖尿病视网膜病变智能辅助诊断系统的研发
目的
利用深度学习等技术开发用于DR辅助诊断的计算机自动筛查系统,能够自动进行DR眼底彩色照相的分级。
方法
选取训练样本为1万张经专家诊断后的DR0~4期的眼底彩色照相,通过深度学习算法构建DR智能辅助诊断模型。根据国际DR分级标准,DR智能辅助诊断模型对眼底彩色照相进行自动分级辅助诊断。利用建立的DR智能辅助诊断模型对浙江省数理医学学会智能眼科数据库内选取的331例糖尿病患者662眼的彩色眼底照相图像进行了智能判断,以眼底照相的专家临床诊断结果作为对照标准;分析DR智能辅助诊断系统发现DR、发现需转诊DR、发现重度NPDR和PDR的能力以及发现PDR的能力;在662眼DR彩色眼底照相图像中,以专家标注病灶数为对照,统计该模型检出病灶总数和检出真实病灶数,通过灵敏度和精准度评价该模型病灶区域可视化方法在662眼照片中的DR病灶可视化效果。
结果
专家诊断组结果显示,无DR患者150眼(22.7%),轻度、中度和重度非增殖性糖尿病视网膜病变(Non Proliferative Diabetic Retinopathy,NPDR)患者分别132眼(19.9%)、124眼(18.7%)和170眼(25.7%),增殖性糖尿病视网膜病变(Proliferative Diabetic Retinopathy,PDR)86眼(13.0%)。智能辅助诊断组结果显示无DR患者171眼(25.8%);轻度、中度和重度NPDR患者分别130(19.7%)、128(19.3%)和151(22.8%),PDR共82眼(12.4%)。智能辅助诊断准确率为69.6%,Kappa系数为0.62。
DR智能辅助诊断系统发现DR491眼、发现需转诊DR361眼、发现重度NPDR和PDR233眼以及发现PDR82眼。辅助诊断系统中识别是否患DR模型的灵敏度为0.914,特异度为0.847,识别是否需要转诊DR模型的灵敏度为0.884,特异度为0.911,识别是否为重度NPDR和PDR模型的灵敏度为0.805,特异度为0.933,识别是否为PDR模型的灵敏度为0.779,特异度为0.974。智能辅助系统中诊断是否患DR模型的AUC值为0.880,智能辅助系统中诊断是否需要转诊DR模型的AUC值为0.898,智能辅助系统中诊断是否为重度NPDR和PDR模型的AUC值为0.869,智能辅助系统中诊断是否为PDR模型的AUC值为0.877。
662眼DR彩色眼底照相图像中,DR1~4期专家标记病灶数分别为188、269、385和306,本研究模型的DR病灶可视化方法检出DR1~4期真实病灶数分别为142、210、280和215,灵敏度分别为0.755、0.781、0.727和0.703,检出病灶总数为207、307、434和327,精准度分别为0.686、0.684、0.645和0.658,检出真实病灶数和灵敏度均高于文献方法。
结论
基于深度学习算法开发的DR智能辅助诊断模型能准确、高效地完成眼底照相的DR辅助诊断工作且病灶可视化效果好,能大幅减少阅片医生的工作量和主观性,具有很好的临床应用前景和社会效益。
第二部分糖尿病视网膜病变智能辅助诊断技术的评价体系建立与应用
背景
人工智能(Artificial Intelligence,AI)应用于DR的研究近几年发展迅速,美国卫生监管机构食品药品监督管理局(FDA)已于2018年4月批准了世界上第一款人工智能医疗设备IDx-DR用于检测DR。目前缺乏基于眼底彩照的DR智能辅助诊断技术的评价体系。为了该技术能为广大医务人员接受并广泛应用,需要建立可靠的评价体系。
目的
提出基于眼底彩照的DR智能辅助诊断技术的评价体系并应用。
方法
建立基于眼底彩照的DR智能辅助诊断技术的评价体系。选择浙江省数理医学学会智能眼科数据库中的糖尿病患者眼底彩照500张(DR0~4期,每期各100张),眼底彩照由临床专家和智能技术分别做出诊断。比较临床专家诊断及基于眼底彩照的DR智能辅助诊断技术的应用情况。评价体系分为初级评价、中级评价和高级评价,中级评价包括了两种评价方法,主要评价指标包括灵敏度、特异度和Kappa值。
结果
专家诊断组显示500张糖尿病患者眼底彩照中,按DR0~4期分类,每期各100张。而智能辅助诊断结果显示500张糖尿病患者眼底彩照中,93张(18.6%)为无DR,轻度NPDR107张(21.4%),中度NPDR107张(21.4%),重度NPDR108张(21.6%),PDR者85张(17.0%)。
按照本研究提出的评价体系,初级评价中智能辅助诊断灵敏度为98.8%,特异度为88.0%,Kappa为0.89;中级评价方法一中智能辅助诊断灵敏度(判断被测者患有重度DR的准确率)为98.0%,特异度(判断被测者患有轻度DR的准确率)为97.0%,Kappa为0.95;中级评价方法二中智能辅助诊断灵敏度为95.5%,特异度为99.3%,Kappa为0.95;高级评价中智能辅助诊断Kappa为0.86。
结论
基于眼底彩照的DR智能辅助诊断技术的评价体系可以较好地应用在DR智能辅助诊断技术的评价,对DR智能辅助诊断技术的评价结果可以作为DR智能辅助诊断应用场景选择的依据。