论文部分内容阅读
本文主要从以下几方面进行论述:
第一章 不同类型糖尿病黄斑水肿的智能诊断
目的:基于光学相干断层扫描(optical coherence tomography, OCT)图像,开发自动检测糖尿病黄斑水肿(diabetic macular edema, DME)形态学分型的深度学习 Cdeep learning, DL)模型。
方法:共纳入11,599张 OCT图像作为训练集以及656张 OCT图像作为外部验证集。筛选 OCT图像,并根据 OCT图像的特征采用多标签的方法标记每张 OCT图像上的3种 DME分型,包括弥散性视网膜增厚 Cdiffuse retinal thickening,DRT)、黄斑囊样水肿(cystoid macular edema, CME)和浆液性视网膜脱离(serousretinal detachment, SRD)。使用视觉几何组16卷积神经网络训练 DL模型以对每张 OCT图像上的3种 DME分型进行自动检测。采用五折交叉验证法进行内部验证,采用遮挡测试验证 DL模型参考的 OCT图像上的关键区域与眼科医生进行 DME分型依据的图像区域的一致性。计算准确率、特异性、敏感性和受试者工作特征曲线下的面积 Carea under the receiver operating characteristic curve, AUC)以评估 DL模型与视网膜疾病专家之间的一致性。
结果:在内部验证中,检测 DME、 CME和 SRD的准确性分别为93.0%、95.1%和98.8%, AUC分别为0.971、0.974和0.994,灵敏度分别为93.5%、94.5%和96.7%,特异性分别为92.3%、95.6%和99.3%。在外部验证中,检测 DME、CME和 SRD的准确性分别为90.2%、95.4%和95.9%, AUC分别为 O.970、0.997、0.997,敏感性分别为80.1%、93.4%和94.9%,特异性分别为97.6%、97.2%和96.5%。此外,遮挡测试的结果表明, DL模型可以成功识别 OCT图像中对 DME形态学分型最为关键的病理区域。
结论: DL模型在基于 OCT图像自动检测 DME形态学分型的任务中展示出高准确性和高透明性。以上结果表明人工智能技术在协助 DME患者临床决策的过程中具有巨大潜力。
第二章 不同类型糖尿病黄斑水肿的疗效比较
目的:采用混合型DME作为研究对象,观察同一患眼中不同类型DME接受玻璃体腔注射雷珠单抗(intravitreal injection of ranibizumab, IVR)治疗后的消退程度,探讨相同基线条件下不同类型DME的治疗效果。
方法:回顾性纳入 OCT上诊断为 SRD及非 SRD成分共存的113只混合型 DME患眼。在基线和每月1次、连续3次 IVR治疗后第 l、3、6个月时,所有患眼均接受最佳矫正视力 Cbest-corrected visual acuity, BCVA)和 OCT检查。分析比较基线和每次随访的中心凹视网膜厚度(central foveal thickness, CFT)、SRD成分和非 SRD成分的中心凹视网膜厚度(foveal thickness of SRD, SRDFT和 foveal thickness of non-SRD, NSRDFT)及 SRDFT和 NSRDFT的减少幅度和减少率。在计算各类型水肿的减少率时,通过减去正常视网膜厚度值对目前常用的公式进行优化改良,从而得出各类型水肿减少率=该型水肿厚度减少幅度/该型水肿基线厚度,避免了正常视网膜厚度对计算结果造成的误差。
结果:在3次 IVR治疗后的第1、3和6个月, CFT、 SRDFT和 NSRDFT与基线厚度对比均有显著降低(所有.00.001)03次随访期间, NSRDFT和 SRDFT的减少幅度或减少率在组内及组间均无显著差异(所有 p>0.05)。在基线时, BCVA与 SRDFT之间的相关性最显著(~O.366, p<0.001),而在第6个月时, BCVA与NSRDFT之间的相关性最显著(~0.426, p<0.001)03次随访期间, BCVA的提高幅度与 SRDFT减少幅度或减少率之间具有更高的相关性(r=0.271-0.458,所有p<O.01)。
结论:采用混合型 DME作为研究对象,减少入组偏倚以及基线因素对研究结果的影响,同时通过改良优化的计算公式,可以减少正常视网膜厚度值所导致的计算误差; IVR治疗可同时有效地消退混合型 DME中的 SRD和非 SRD成分,表明IVR可兼顾修复血-视网膜内外屏障损伤; BCVA的提高与 SRD水肿的消退程度之间具有更高的相关性。
第三章 浆液性脱离型糖尿病黄斑水肿的预后因素研究
目的:探讨 SRD型 DME完全消退后出现中心凹锥突(foveal bulge, FB)恢复的影响因素及其与视力预后的相关性。
方法:共纳入52只中心凹处椭圆体带完整、黄斑水肿完全消退的 SRD型 DME患眼。所有患眼均接受每月1次、连续3次 IVR治疗,在基线和3次 IVR治疗后第1、3、6个月,所有患眼均接受 BCVA和 OCT检查。根据 IVR治疗后第6个月时 OCT图像上 FB的恢复与否将患眼分为 FB(+)组和 FB(一)组。比较两组的BCVA、 CFT、浆液性视网膜脱离的高度(heíght of serous retínal detachment,SRDH)、外核层(outer nuclear layer, ONL)厚度、感光细胞内节(photoreceptorínner segment, PIS)和感光细胞外节(photoreceptor outer segment, POS)长度。
结果:第6个月时,52只眼中有25只眼(48.1%)的 OCT图像中出现 FB的恢复。 FB(+)组的基线 SRDH小于 FB(-)组(P(O.05)。第6个月时, FB(+)组的 BCVA高于 FB(-)组, POS长度亦大于 FB(-)组(所有 p<0.05)。两组第6个月的 CFT、 ONL厚度和 PIS长度均无显著差异(所有 p>0.05)。第1和3个月时, FB(+)组中 SRD完全消退的患眼比例均高于 FB(-)组(所有 p<0.05)。第1和3个月时, SRD完全消退的患眼在第6个月时出现 FB的比例均高于 SRD未完全消退的患眼(所有 p<0.05)。
结论:SRD型 DME完全消退后, OCT图像上 FB的恢复预示着术后更好的 BCVA。基线 SRDH较小或 SRD消退较快的患眼在治疗后第6个月时更可能出现 FB的恢复。
第一章 不同类型糖尿病黄斑水肿的智能诊断
目的:基于光学相干断层扫描(optical coherence tomography, OCT)图像,开发自动检测糖尿病黄斑水肿(diabetic macular edema, DME)形态学分型的深度学习 Cdeep learning, DL)模型。
方法:共纳入11,599张 OCT图像作为训练集以及656张 OCT图像作为外部验证集。筛选 OCT图像,并根据 OCT图像的特征采用多标签的方法标记每张 OCT图像上的3种 DME分型,包括弥散性视网膜增厚 Cdiffuse retinal thickening,DRT)、黄斑囊样水肿(cystoid macular edema, CME)和浆液性视网膜脱离(serousretinal detachment, SRD)。使用视觉几何组16卷积神经网络训练 DL模型以对每张 OCT图像上的3种 DME分型进行自动检测。采用五折交叉验证法进行内部验证,采用遮挡测试验证 DL模型参考的 OCT图像上的关键区域与眼科医生进行 DME分型依据的图像区域的一致性。计算准确率、特异性、敏感性和受试者工作特征曲线下的面积 Carea under the receiver operating characteristic curve, AUC)以评估 DL模型与视网膜疾病专家之间的一致性。
结果:在内部验证中,检测 DME、 CME和 SRD的准确性分别为93.0%、95.1%和98.8%, AUC分别为0.971、0.974和0.994,灵敏度分别为93.5%、94.5%和96.7%,特异性分别为92.3%、95.6%和99.3%。在外部验证中,检测 DME、CME和 SRD的准确性分别为90.2%、95.4%和95.9%, AUC分别为 O.970、0.997、0.997,敏感性分别为80.1%、93.4%和94.9%,特异性分别为97.6%、97.2%和96.5%。此外,遮挡测试的结果表明, DL模型可以成功识别 OCT图像中对 DME形态学分型最为关键的病理区域。
结论: DL模型在基于 OCT图像自动检测 DME形态学分型的任务中展示出高准确性和高透明性。以上结果表明人工智能技术在协助 DME患者临床决策的过程中具有巨大潜力。
第二章 不同类型糖尿病黄斑水肿的疗效比较
目的:采用混合型DME作为研究对象,观察同一患眼中不同类型DME接受玻璃体腔注射雷珠单抗(intravitreal injection of ranibizumab, IVR)治疗后的消退程度,探讨相同基线条件下不同类型DME的治疗效果。
方法:回顾性纳入 OCT上诊断为 SRD及非 SRD成分共存的113只混合型 DME患眼。在基线和每月1次、连续3次 IVR治疗后第 l、3、6个月时,所有患眼均接受最佳矫正视力 Cbest-corrected visual acuity, BCVA)和 OCT检查。分析比较基线和每次随访的中心凹视网膜厚度(central foveal thickness, CFT)、SRD成分和非 SRD成分的中心凹视网膜厚度(foveal thickness of SRD, SRDFT和 foveal thickness of non-SRD, NSRDFT)及 SRDFT和 NSRDFT的减少幅度和减少率。在计算各类型水肿的减少率时,通过减去正常视网膜厚度值对目前常用的公式进行优化改良,从而得出各类型水肿减少率=该型水肿厚度减少幅度/该型水肿基线厚度,避免了正常视网膜厚度对计算结果造成的误差。
结果:在3次 IVR治疗后的第1、3和6个月, CFT、 SRDFT和 NSRDFT与基线厚度对比均有显著降低(所有.00.001)03次随访期间, NSRDFT和 SRDFT的减少幅度或减少率在组内及组间均无显著差异(所有 p>0.05)。在基线时, BCVA与 SRDFT之间的相关性最显著(~O.366, p<0.001),而在第6个月时, BCVA与NSRDFT之间的相关性最显著(~0.426, p<0.001)03次随访期间, BCVA的提高幅度与 SRDFT减少幅度或减少率之间具有更高的相关性(r=0.271-0.458,所有p<O.01)。
结论:采用混合型 DME作为研究对象,减少入组偏倚以及基线因素对研究结果的影响,同时通过改良优化的计算公式,可以减少正常视网膜厚度值所导致的计算误差; IVR治疗可同时有效地消退混合型 DME中的 SRD和非 SRD成分,表明IVR可兼顾修复血-视网膜内外屏障损伤; BCVA的提高与 SRD水肿的消退程度之间具有更高的相关性。
第三章 浆液性脱离型糖尿病黄斑水肿的预后因素研究
目的:探讨 SRD型 DME完全消退后出现中心凹锥突(foveal bulge, FB)恢复的影响因素及其与视力预后的相关性。
方法:共纳入52只中心凹处椭圆体带完整、黄斑水肿完全消退的 SRD型 DME患眼。所有患眼均接受每月1次、连续3次 IVR治疗,在基线和3次 IVR治疗后第1、3、6个月,所有患眼均接受 BCVA和 OCT检查。根据 IVR治疗后第6个月时 OCT图像上 FB的恢复与否将患眼分为 FB(+)组和 FB(一)组。比较两组的BCVA、 CFT、浆液性视网膜脱离的高度(heíght of serous retínal detachment,SRDH)、外核层(outer nuclear layer, ONL)厚度、感光细胞内节(photoreceptorínner segment, PIS)和感光细胞外节(photoreceptor outer segment, POS)长度。
结果:第6个月时,52只眼中有25只眼(48.1%)的 OCT图像中出现 FB的恢复。 FB(+)组的基线 SRDH小于 FB(-)组(P(O.05)。第6个月时, FB(+)组的 BCVA高于 FB(-)组, POS长度亦大于 FB(-)组(所有 p<0.05)。两组第6个月的 CFT、 ONL厚度和 PIS长度均无显著差异(所有 p>0.05)。第1和3个月时, FB(+)组中 SRD完全消退的患眼比例均高于 FB(-)组(所有 p<0.05)。第1和3个月时, SRD完全消退的患眼在第6个月时出现 FB的比例均高于 SRD未完全消退的患眼(所有 p<0.05)。
结论:SRD型 DME完全消退后, OCT图像上 FB的恢复预示着术后更好的 BCVA。基线 SRDH较小或 SRD消退较快的患眼在治疗后第6个月时更可能出现 FB的恢复。