论文部分内容阅读
目的:对山西部分地区成人糖尿病（diabetes mellitus,DM）人群进行糖尿病视网膜病变（diabetic retinopathy,DR）的筛查,并应用一款基于深度学习（deep learning,DL）的人工智能（artificial intelligence,AI）阅片诊断系统对DR进行分析,与专家诊断进行一致性检验,评估AI阅片诊断系统在DR筛查中的应用价值。方法:2019年6月至2019年8月期间依托中国糖尿病并发症研究项目,在中国慢性病及其危险因素监测点,采用多阶段分层随机抽样方法在山西省随机抽取4个点（2个区,2个县）开展糖尿病并发症流行病学调查,分别为山西省太原市杏花岭区、晋中市榆次区、长治市壶关县、运城市绛县;每个监测点内各随机抽取4个街道（或乡镇）,每个街道（或乡镇）按照性别、年龄组成,随机抽取120名患者,共计1920名患者。收集患者基本情况、双眼彩色眼底图像及其它疾病情况等信息。由一名受过专业眼底照相培训的眼科医师对每位DM患者进行双眼眼底拍照检查（佳能免散瞳眼底照相机,每只眼均拍摄两张45°彩色眼底图像,一张以视盘为中心,一张以黄斑部为中心）,对每只眼的两张彩色眼底图像进行图片可信度评价,对可信度差的眼底图像样本进行舍弃。由两位眼科副主任医师在双盲状态下,以眼为单位,对单眼两张眼底图像进行DR分级综合诊断,诊断一致时,直接得出专家诊断,诊断不一致时,由第三位眼科主任医师参与共同诊断,得出最终专家诊断,并计算各个地区DR患病率。将彩色眼底图像上传至AI阅片诊断系统,对单眼两张彩色眼底图像分别诊断及比较,较严重的诊断作为AI阅片诊断系统的最终诊断,以专家诊断为金标准,将AI阅片诊断系统的诊断与专家诊断在DR分级、有无DR、是否需要转诊的DR三方面进行一致性检验,分别计算该AI阅片诊断系统的特异度及灵敏度。以上数据均用统计学方法处理。运用SPSS 25.0统计软件进行分析。计数资料以眼数和百分数表示,计量资料以均数±标准差（`x±s）表示。以专家诊断为金标准,将AI阅片诊断系统与专家诊断在DR分级、有无DR、是否需要转诊的DR三方面进行一致性检验,分别计算该AI诊断系统的特异度及灵敏度。P值＜0.05具有统计学差异。结果:1.根据彩色眼底图像可信度评价标准最终纳入3722只眼（其中男935人1870只眼,女926人1852眼;平均年龄56.63±10.40岁）7444张彩色眼底图像,其中长治壶关县934只眼1868张彩色眼底图像,运城绛县930只眼1860张彩色眼底图像,晋中榆次区924只眼1848张彩色眼底图像,太原杏花岭区934只眼1868张彩色眼底图像。2.山西省四个地区成人DM患者中DR患病率为20.6%（767/3722）,轻度非增生期糖尿病视网膜病变（non-proliferative diabetic retinopathy,NPDR）患病率为10.7%（397/3722）,中度NPDR患病率为5.6%（207/3722）,重度NPDR为3.3%（123/3722）,增生期糖尿病视网膜病变（proliferative diabetic retinopathy,PDR）患病率为1.1%（40/3722）,县乡镇地区DR患病率（22.3%（415/1864））高于区街道地区（18.9%（352/1858））。3.专家诊断结果中有2955只眼无DR状态,767只眼患有不同程度的DR;AI阅片诊断系统与专家诊断的一致性诊断符合率为81.0%,特异度为86.4%,与专家诊断分级一致的DR诊断符合率为60.4%,一致性检验Kappa系数为0.541（P＜0.001）,AI阅片诊断系统在DR分级方面与专家诊断具有中等的一致性。AI阅片诊断系统在有无DR方面,与专家诊断结果相比,特异度为86.4%,灵敏度为85.7%,一致性检验Kappa系数为0.632（P＜0.001）,具有高度的一致性。AI阅片诊断系统在是否需要转诊的DR方面,与专家诊断结果相比,特异度为90.6%,灵敏度为91.4%,一致性检验Kappa系数为0.612（P＜0.001）,具有高度的一致性。结论:山西省四个地区成人DM人群中的DR患病率为20.6%,且县乡镇地区高于区街道地区,是我省尤其是县乡镇地区眼科医师需要重点防治的眼科疾病。基于深度学习AI阅片诊断系统与专家诊断结果在有无DR和是否需要转诊的DR方面具有高度的一致性,可用于基层医疗机构针对DR进行筛查。