孫笑笑　陳有信　李東輝　劉佳

關(guān)鍵字：人工智能；深度學(xué)習(xí)；眼底疾病篩查

人工智能是指機(jī)器模仿人類(lèi)特有的智能能力，具體包括從已有經(jīng)驗(yàn)中學(xué)習(xí)、進(jìn)行歸納總結(jié)、尋找不同事物間的內(nèi)在關(guān)系等[1]。很多文獻(xiàn)報(bào)道人工智能在眼科疾病的篩查和診斷中表現(xiàn)優(yōu)異[1，2]。人工智能在眼科中的應(yīng)用原理主要為機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩個(gè)子類(lèi)，目前深度學(xué)習(xí)在眼科疾病的圖像識(shí)別方面應(yīng)用更為廣泛。

一些研究發(fā)現(xiàn)建立深度學(xué)習(xí)系統(tǒng)能夠很好地對(duì)糖尿病視網(wǎng)膜病變[3～5]、青光眼[6，7]、年齡相關(guān)性黃斑病變[8～10]、早產(chǎn)兒視網(wǎng)膜病變[11，12]等疾病進(jìn)行診斷，其準(zhǔn)確度和特異性較高?；谌斯ぶ悄茉O(shè)備具有能夠快速、高效地診斷眼部疾病的特點(diǎn)，適用于在人群中大規(guī)模進(jìn)行眼病篩查，盡早檢出疾病、避免延誤病情。

但目前人工智能用于眼部疾病篩查的效果和水平尚不清楚，缺少相關(guān)的研究結(jié)果。因而本研究以1157例患者為研究對(duì)象，對(duì)人工智能基于眼底圖像分析進(jìn)而診斷眼病的能力和效果進(jìn)行驗(yàn)證。

1 研究方法

研究對(duì)象為2022年1～11月于北京大明眼鏡王府井總店進(jìn)行眼健康篩查的1157例患者。其中，男性538例（46.5%），女性619例（53.5%），平均年齡為43歲。

采用TRC-NW400全自動(dòng)免散瞳眼底相機(jī)（拓普康）對(duì)受試患者進(jìn)行眼底照相，可重復(fù)測(cè)量以獲取優(yōu)質(zhì)的圖像結(jié)果，使用深度學(xué)習(xí)算法（糖尿病視網(wǎng)膜病變眼底圖像輔助診斷軟件，EyeWisdom V1）進(jìn)行眼底圖像分析和疾病診斷。機(jī)器診斷之后有30.1%送醫(yī)進(jìn)行復(fù)驗(yàn)。

采用SPSS20.0進(jìn)行統(tǒng)計(jì)學(xué)分析。儀器將自動(dòng)計(jì)算每種眼病的檢出率。

2 研究結(jié)果

在1157例患者中，共計(jì)472例患者檢出具有眼底異常表現(xiàn)。其中，男性230例（48.7%），女性242例（51.3%）（見(jiàn)圖1）。從年齡上看，高齡患者被檢出具有眼底異常表現(xiàn)的比例更高。在30歲以下、30～40歲、40～50歲、50～60歲以及60歲以上的患者中，分別有76例（21.1%）、49例（28.2%）、62例（32.3%）、133例（58.3%）、152例（73.4%）患者檢出具有眼底異常表現(xiàn)（見(jiàn)圖2）。

圖1 檢出陽(yáng)性患者的性別分布情況

圖2 檢出陽(yáng)性患者的年齡分布情況

此外，在472例檢出具有眼底異常表現(xiàn)的患者中，290例患者被診斷為具有豹紋狀眼底、49例患者具有非黃斑區(qū)玻璃膜疣、46例患者為可疑青光眼、40例患者為病理性近視，18例患者視盤(pán)邊界不清、17例患者具有黃斑前膜、11例患者為糖尿病視網(wǎng)膜病變、9例患者為中心性漿液性脈絡(luò)膜視網(wǎng)膜病變、9例患者為視神經(jīng)萎縮、9例患者為年齡相關(guān)性黃斑變性（干性）、8例患者具有黃斑裂孔、6例患者具有有髓神經(jīng)纖維、6例患者為黃斑區(qū)陳舊病變、4例患者為視網(wǎng)膜靜脈阻塞、3例患者為激光術(shù)后、134例患者具有其他可見(jiàn)眼底異常（見(jiàn)圖3）。

圖3 檢出陽(yáng)性患者的疾病類(lèi)型分布情況

3 討論

深度學(xué)習(xí)作為人工智能的重要組成部分，采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能夠從不同處理層來(lái)分析數(shù)據(jù)的內(nèi)部特征，進(jìn)而發(fā)現(xiàn)大數(shù)據(jù)中蘊(yùn)含的復(fù)雜結(jié)構(gòu)[13，14]。良好的深度學(xué)習(xí)算法能夠有效診斷眼底結(jié)構(gòu)的異常，甚至有既往研究報(bào)道了一些優(yōu)異的深度學(xué)習(xí)算法對(duì)眼病診斷的準(zhǔn)確度能夠與經(jīng)驗(yàn)豐富的臨床眼科醫(yī)生相近[8，11]。有研究將深度學(xué)習(xí)算法用于光學(xué)相干斷層掃描設(shè)備（OCT），有利于提高眼病早期篩查的靈敏度[15，16]。因此，基于深度學(xué)習(xí)能夠快速、準(zhǔn)確地發(fā)現(xiàn)眼底結(jié)構(gòu)異常的優(yōu)點(diǎn)，未來(lái)將深度學(xué)習(xí)應(yīng)用于大規(guī)模眼病篩查具有一定的優(yōu)勢(shì)。

既往很多研究發(fā)現(xiàn)深度學(xué)習(xí)算法對(duì)某一特定眼病的眼底改變具有良好的敏感性和特異性[17～21]，如DR、青光眼、AMD、ROP等。近年來(lái)也有一些研究采用深度學(xué)習(xí)算法的同時(shí)對(duì)不同眼病進(jìn)行診斷和分類(lèi)。Ting等[3]建立的深度學(xué)習(xí)系統(tǒng)在14880例患者的眼底圖像篩查中，診斷可疑糖尿病視網(wǎng)膜病變的敏感性和特異性分別為90.5%和91.6%，診斷可疑青光眼的敏感性和特異性分別為96.4%和87.2%，診斷年齡相關(guān)黃斑變性的敏感性和特異性分別為93.2%和88.7%。Son等[22]采用深度學(xué)習(xí)算法對(duì)103262張眼底圖像進(jìn)行分析，發(fā)現(xiàn)該深度學(xué)習(xí)算法能夠分辨12種視網(wǎng)膜異常改變。Dong等[23]對(duì)110784例患者的208758張眼底圖像使用深度學(xué)習(xí)算法進(jìn)行分析，發(fā)現(xiàn)該算法檢出10種視網(wǎng)膜疾病的靈敏度為89.8%、特異性為95.3%～99.9%，其中包括可疑糖尿病視網(wǎng)膜病變、可疑青光眼、年齡相關(guān)黃斑變性、視網(wǎng)膜靜脈阻塞、黃斑裂孔、黃斑前膜、高血壓視網(wǎng)膜病變、有髓神經(jīng)纖維和視網(wǎng)膜色素變性等。該研究還發(fā)現(xiàn)，與眼科醫(yī)生相比，深度學(xué)習(xí)算法對(duì)眼病診斷的靈敏度相近甚至更好，對(duì)圖像分析和診斷的速度更快。

上述研究提示深度學(xué)習(xí)算法在眼底疾病篩查中可能發(fā)揮重要作用。本研究采用深度學(xué)習(xí)算法輔助的眼底照相儀器對(duì)1157例患者進(jìn)行眼病篩查，發(fā)現(xiàn)深度學(xué)習(xí)算法能夠根據(jù)眼底圖像的異常表現(xiàn)診斷出多種眼病，提示深度學(xué)習(xí)能夠有助于大規(guī)模眼底疾病篩查工作的開(kāi)展。但本研究的研究對(duì)象較少，并且沒(méi)有進(jìn)行疾病檢出的靈敏度和特異性計(jì)算，未來(lái)仍需大樣本、長(zhǎng)期的臨床研究進(jìn)行驗(yàn)證。

本研究所使用的EyeWisdom V1軟件是一種基于深度學(xué)習(xí)理論的糖尿病視網(wǎng)膜病變分級(jí)診斷軟件。Zhang等[24]對(duì)EyeWisdom V1軟件進(jìn)行糖尿病視網(wǎng)膜病變分級(jí)診斷的性能進(jìn)行探究，發(fā)現(xiàn)在630例患者的眼底圖像中，EyeWisdom V1軟件能夠?qū)崿F(xiàn)對(duì)糖尿病視網(wǎng)膜病變的分級(jí)診斷，具有良好的靈敏度和特異性，并且與眼科醫(yī)生的診斷相一致。EyeWisdom V1軟件用于診斷眼病具有一定的可靠性，提示本研究結(jié)果可信。但目前有關(guān)EyeWisdom V1軟件的研究較少，仍需更多研究進(jìn)行EyeWisdom V1軟件的性能分析。此外，Abràmoff等[25]建立了首個(gè)由FDA批準(zhǔn)的自主糖尿病視網(wǎng)膜病變?cè)\斷系統(tǒng)，該系統(tǒng)的敏感性和特異性分別為87.4%和89.5%。目前用于糖尿病視網(wǎng)膜病變篩查的深度學(xué)習(xí)系統(tǒng)還包括IDx-DR系統(tǒng)、RetmarkerDR軟件、EyeArt系統(tǒng)、Google系統(tǒng)、Singapore SERI-NUS系統(tǒng)等[25]。

綜上所述，在本研究中深度學(xué)習(xí)算法能夠檢出患者的眼底異常改變，有助于眼病的早發(fā)現(xiàn)、早治療?？梢?jiàn)，深度學(xué)習(xí)未來(lái)可能有助于大規(guī)模眼病篩查工作的開(kāi)展。

參考文獻(xiàn)

Keskinbora，K.&Güven，F(xiàn).Artificial Intelligence and Ophthalmology.Turkish journal of ophthalmology 50， 37-43，doi：10.4274/tjo.galenos.2020.78989 （2020）.

Ting，D.S.W.et al.Artificial intelligence and deep learning in ophthalmology.The British journal of ophthalmology 103，167-175，doi：10.1136/bjophthalmol-2018-313173 （2019）.

Ting，D.S.W.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 318，2211-2223， doi：10.1001/jama.2017.18152 （2017）.

Gulshan，V.et al.Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs.Jama 316，2402-2410，doi：10.1001/jama.2016.17216 （2016）.

Ramachandran，N.，Hong，S. C.，Sime， M.J.& Wilson， G.A.Diabetic retinopathy screening using deep neural network.Clinical & experimental ophthalmology 46， 412-416，doi：10.1111/ceo.13056 （2018）.

Xiangyu，C.，Yanwu，X.，Damon Wing Kee，W.，Tien Yin， W.& Jiang，L.Glaucoma detection based on deep convolutional neural network.Annual International Conference of the IEEE Engineering in Medicine and Biology Society.IEEE Engineering in Medicine and Biology Society.Annual International Conference 2015， 715-718，doi：10.1109/embc.2015.7318462 （2015）.

Li，F(xiàn).et al.A deep-learning system predicts glaucoma incidence and progression using retinal photographs. The Journal of clinical investigation 132，doi：10.1172/jci157968 （2022）.

Burlina，P.M.et al.Automated Grading of Age-Related Macular Degeneration From Color Fundus Images Using Deep Convolutional Neural Networks. JAMA ophthalmology 135， 1170-1176，doi：10.1001/jamaophthalmol.2017.3782 （2017）.

Grassmann，F(xiàn).et al.A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography.Ophthalmology 125， 1410-1420，doi：10.1016/j.ophtha.2018.02.037 （2018）.

Romond，K.et al.Imaging and artificial intelligence for progression of age-related macular degeneration. Experimental biology and medicine （Maywood，N.J.） 246，2159-2169，doi：10.1177/15353702211031547 （2021）.

Brown，J.M.et al.Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks.JAMA ophthalmology 136，803-810，doi：10.1001/jamaophthalmol.2018.1934 （2018）.

Zhang，J.，Liu，Y.，Mitsuhashi，T.& Matsuo，T. Accuracy of Deep Learning Algorithms for the Diagnosis of Retinopathy of Prematurity by Fundus Images： A Systematic Review and Meta-Analysis.Journal of ophthalmology 2021，8883946， doi：10.1155/2021/8883946 （2021）.

LeCun，Y.，Bengio，Y.& Hinton，G.Deep learning.Nature 521，436-444，doi：10.1038/nature14539 （2015）.

Schmidhuber，J. Deep learning in neural networks： an overview.Neural networks：the official journal of the International Neural Network Society 61，85-117， doi：10.1016/j.neunet.2014.09.003 （2015）.

Kapoor， R.， Whigham， B. T. & Al-Aswad， L. A. Artificial Intelligence and Optical Coherence Tomography Imaging.Asia-Pacific journal of ophthalmology （Philadelphia，Pa.）8，187-194，doi：10.22608/apo.201904 （2019）.

Medeiros，F(xiàn).A.，Jammal，A.A.& Thompson，A.C.From Machine to Machine：An OCT-Trained Deep Learning Algorithm for Objective Quantification of Glaucomatous Damage in Fundus Photographs.Ophthalmology 126， 513-521，doi：10.1016/j.ophtha.2018.12.033 （2019）.

Li，Z.et al.An Automated Grading System for Detection of Vision-Threatening Referable Diabetic Retinopathy on the Basis of Color Fundus Photographs.Diabetes care 41，2509-2516，doi：10.2337/dc18-0147 （2018）.

Li，Z.et al.Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs.Ophthalmology 125， 1199-1206， doi：10.1016/j.ophtha.2018.01.023 （2018）.

Redd，T.K.et al.Evaluation of a deep learning image assessment system for detecting severe retinopathy of prematurity.The British journal of ophthalmology， doi：10.1136/bjophthalmol-2018-313156 （2018）.

Schlegl，T.et al.Fully Automated Detection and Quantification of Macular Fluid in OCT Using Deep Learning. Ophthalmology 125，549-558，doi：10.1016/j.ophtha.2017.10.031 （2018）.

Christopher，M.et al.Retinal Nerve Fiber Layer Features Identified by Unsupervised Machine Learning on Optical Coherence Tomography Scans Predict Glaucoma Progression. Investigative ophthalmology & visual science 59， 2748-2756， doi：10.1167/iovs.17-23387 （2018）.

Son，J.et al.Development and Validation of Deep Learning Models for Screening Multiple Abnormal Findings in Retinal Fundus Images. Ophthalmology 127，85-94，doi：10.1016/j.ophtha.2019.05.029 （2020）.

Dong，L.et al.Artificial Intelligence for Screening of Multiple Retinal and Optic Nerve Diseases. JAMA network open 5，e229960，doi：10.1001/jamanetworkopen.2022.9960 （2022）.

Zhang，W.F.et al.The Validation of Deep Learning-Based Grading Model for Diabetic Retinopathy. Front Med （Lausanne） 9，839088，doi：10.3389/fmed.2022.839088 （2022）.

Abràmoff，M.D.，Lavin，P.T.，Birch，M.，Shah，N.& Folk，J. C.Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices.NPJ digital medicine 1，39，doi：10.1038/s41746-018-0040-6 （2018）.

作者單位：

1.中國(guó)醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院?北京協(xié)和醫(yī)院眼科

2.北京大明眼鏡股份有限公司