顏瑜琳 蔣維艷 程思敏 周奕文 于薏 鄭碧清 楊燕寧

1武漢大學(xué)人民醫(yī)院眼科中心,武漢 430060;2武漢大學(xué)資源與環(huán)境學(xué)院,武漢 430079

角膜作為視覺(jué)形成的第一步,其透明度及屈光率可使光線折射進(jìn)入眼內(nèi)并聚焦于視網(wǎng)膜上,故角膜各層次的結(jié)構(gòu)及功能損傷可導(dǎo)致視力下降,甚至致盲[1]。角膜疾病,如顆粒狀角膜營(yíng)養(yǎng)不良、Fuchs角膜內(nèi)皮營(yíng)養(yǎng)不良等可主要損害角膜單一層次,而感染性角膜炎、角膜機(jī)械性損傷及眼化學(xué)傷等則可造成多層次,甚至全層角膜損傷[2]。同時(shí),糖尿病及類風(fēng)濕性關(guān)節(jié)炎等全身疾病亦可對(duì)角膜造成影響[3]?；铙w共聚焦顯微鏡(invivoconfocal microscopy,IVCM)作為一種非入侵性的成像工具,可從細(xì)胞層面觀測(cè)角膜及其在病理狀態(tài)下的結(jié)構(gòu)變化,擁有實(shí)時(shí)、無(wú)創(chuàng)、可反復(fù)檢查及高分辨率等優(yōu)點(diǎn)[4],對(duì)多種角膜疾病的臨床診斷具有重要參考價(jià)值,臨床應(yīng)用已日漸廣泛。對(duì)角膜微觀結(jié)構(gòu)變化進(jìn)行監(jiān)測(cè)也有助于優(yōu)化角膜病的針對(duì)性管理及評(píng)估患者全身疾病預(yù)后[5-6]。但在實(shí)際工作中,由于IVCM鏡頭單次可拍攝面積較小(400 μm×400 μm),詳細(xì)評(píng)估角膜時(shí)需采集大量圖像,人工分析非常費(fèi)時(shí)費(fèi)力并不可避免具有主觀性[7],且IVCM閱片也對(duì)醫(yī)師的經(jīng)驗(yàn)及相關(guān)專業(yè)知識(shí)具有一定要求,醫(yī)師常常需要一定的培訓(xùn)周期才能區(qū)分角膜各層次形態(tài)及判斷其是否正常。早期診斷對(duì)于角膜疾病的精準(zhǔn)治療及預(yù)防角膜盲均有重要意義[8],據(jù)世界衛(wèi)生組織統(tǒng)計(jì),約80%的角膜盲可避免,而目前全球發(fā)達(dá)國(guó)家及發(fā)展中國(guó)家的眼科醫(yī)師均存在短缺情況[9],提高角膜圖像閱片時(shí)的準(zhǔn)確度以及診斷效率,可為臨床及科研工作減負(fù)、提高醫(yī)師工作效率并有望給予更多角膜病患者快速準(zhǔn)確的診療。人工智能(artificial intelligence,AI)的不斷進(jìn)步正在改變各個(gè)醫(yī)學(xué)領(lǐng)域的篩查、診斷及治療方式[10],AI在眼科疾病中的應(yīng)用也在過(guò)去10年中有著顯著發(fā)展。目前,AI在輔助IVCM圖像中對(duì)角膜上皮細(xì)胞、角膜神經(jīng)、角膜內(nèi)皮細(xì)胞、真菌菌絲、樹(shù)突狀細(xì)胞及炎性細(xì)胞等多種結(jié)構(gòu)的分割、量化及鑒別方面都取得了重大突破[11-14],其閱片速度及準(zhǔn)確度均表現(xiàn)出優(yōu)秀的性能,然而目前尚無(wú)對(duì)于角膜層次判斷及識(shí)別角膜圖像正/異常的相關(guān)研究。本研究擬構(gòu)建AI輔助下IVCM圖像的自動(dòng)診斷模型,探討其在臨床應(yīng)用中的效能及用于角膜疾病智能篩查的可行性。

1 資料與方法

1.1 一般資料

1.1.1IVCM圖像來(lái)源 采用診斷試驗(yàn)研究方法,收集2021年5月至2022年9月于武漢大學(xué)人民醫(yī)院眼科中心及武漢大學(xué)中南醫(yī)院進(jìn)行IVCM檢查(HRT Ⅲ/RCM,德國(guó)Heidelberg Engineering公司)患者的角膜圖像。所有病例均來(lái)源于醫(yī)院信息系統(tǒng),所有IVCM圖像均由工作經(jīng)驗(yàn)超過(guò)15年的資深眼科IVCM檢查醫(yī)師經(jīng)嚴(yán)格規(guī)范操作后采集,圖像進(jìn)行匿名處理后再用于標(biāo)記及模型訓(xùn)練。本研究遵循《赫爾辛基宣言》,研究方案經(jīng)武漢大學(xué)人民醫(yī)院倫理委員會(huì)審核(批文號(hào):WDRY2021-K148)。

1.2 方法

1.2.1IVCM圖像篩選、預(yù)處理及分類 共納入武漢大學(xué)人民醫(yī)院眼科中心246例患者17 675張及武漢大學(xué)中南醫(yī)院85例患者1 185張IVCM圖像。圖像先經(jīng)角膜專業(yè)高年資醫(yī)師篩選,分為清晰的高質(zhì)量圖像及因過(guò)曝、光線不足、對(duì)焦不清晰、拍攝模糊或接觸不佳等情況所致低質(zhì)量圖像。高質(zhì)量圖像經(jīng)光學(xué)字符識(shí)別提取深度信息,先統(tǒng)一轉(zhuǎn)換為384像素×384像素大小再進(jìn)行分類。依據(jù)2014年版《活體角膜激光共聚焦顯微鏡圖譜》和2021年版《眼表活體共聚焦顯微鏡圖譜》,同時(shí)參考2名臨床經(jīng)驗(yàn)超過(guò)20年的角膜醫(yī)師意見(jiàn),制定如下分類標(biāo)準(zhǔn):(1)正常圖像標(biāo)準(zhǔn) 正常上皮層圖像為視野內(nèi)出現(xiàn)的上皮細(xì)胞均結(jié)構(gòu)完整,形態(tài)清晰,密度均勻;正常前彈力層圖像背景為均質(zhì)中度反光,可見(jiàn)粗細(xì)、彎曲度及密度適中的高反光神經(jīng)纖維;正常基質(zhì)層圖像為無(wú)特征暗反光背景及邊界清晰的基質(zhì)細(xì)胞核,可見(jiàn)少量粗大高反光基質(zhì)神經(jīng);正常內(nèi)皮層圖像為排列規(guī)則的均勻5～7邊形細(xì)胞,細(xì)胞邊界清晰。(2)異常圖像標(biāo)準(zhǔn) 異常上皮層圖像可見(jiàn)上皮細(xì)胞水腫、結(jié)構(gòu)不清、間隙增大和/或出現(xiàn)炎性細(xì)胞等;異常前彈力層圖像中可見(jiàn)明顯的神經(jīng)纖維迂曲、變細(xì)及密度降低,有10個(gè)以上未活化的朗格漢斯細(xì)胞、有1個(gè)及以上活化的朗格漢斯細(xì)胞和/或橢圓形炎性細(xì)胞等;異?；|(zhì)層圖像可見(jiàn)基質(zhì)細(xì)胞腫脹、活化、松針樣高反光瘢痕及出現(xiàn)阿米巴包囊、真菌菌絲、真菌孢子、新生血管等異常結(jié)構(gòu);異常內(nèi)皮細(xì)胞圖像可見(jiàn)內(nèi)皮細(xì)胞腫脹、變性、營(yíng)養(yǎng)不良及任意角膜后沉積物等。該標(biāo)準(zhǔn)主要是為了提高靈敏度以盡可能多篩選出異常圖像。圖像首先由角膜專業(yè)高年資醫(yī)師參照分類標(biāo)準(zhǔn)依圖像特征分為正常及異常圖像,然后分別依角膜層次分類為上皮層、前彈力層、基質(zhì)層及內(nèi)皮層。后彈力層因其厚度極薄并與角膜內(nèi)皮細(xì)胞貼附緊密,故所收集圖像較少,并且其臨床意義相對(duì)有限,目前相關(guān)研究多集中于角膜移植領(lǐng)域,故不參與訓(xùn)練。將分類后圖像劃分為訓(xùn)練集、內(nèi)部測(cè)試集、外部測(cè)試集及驗(yàn)證集,不同數(shù)據(jù)集分類詳情見(jiàn)表1,納入病例的臨床診斷及對(duì)應(yīng)例數(shù)見(jiàn)表2。

表2 納入病例的臨床診斷及對(duì)應(yīng)數(shù)量Table 2 Clinical diagnosis and number of included cases

1.2.2角膜IVCM圖像自動(dòng)診斷模型建立 團(tuán)隊(duì)既往曾進(jìn)行其他眼科圖像的AI分類研究,經(jīng)探索發(fā)現(xiàn)Res-Net-50作為目前穩(wěn)定、簡(jiǎn)潔且高效的殘差學(xué)習(xí)架構(gòu),十分適用于眼科圖像分類,故本研究沿用了基于Res-Net-50的深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行圖像分類訓(xùn)練,使用Early Stopping、Drop out以及數(shù)據(jù)集擴(kuò)增來(lái)降低過(guò)擬合風(fēng)險(xiǎn)。具有4個(gè)NVIDIA Geforce GTX 2080(GPU內(nèi)存8GB)的服務(wù)器被用于訓(xùn)練模型,計(jì)算機(jī)算法使用Python(3.6.5版)編寫,開(kāi)源TensorFlow庫(kù)(1.12.2版)和Keras庫(kù)(2.2.5版)作為后端。

研究初期有針對(duì)層次及正/異常分類在模型中的順序進(jìn)行探索,依據(jù)模型時(shí)效性及準(zhǔn)確度,最終建立模型訓(xùn)練流程如下:(1)深度卷積網(wǎng)絡(luò)1(deep convolutional neural network 1,DCNN1) 將圖像分為高質(zhì)量圖像與低質(zhì)量圖像;(2)DCNN2 對(duì)高質(zhì)量圖像進(jìn)行識(shí)別,將其分類為正常及異常圖像;(3)DCNN3、DCNN4、DCNN5及DCNN6 由DCNN3及DCNN4分別將正常及異常圖像分類為上皮/內(nèi)皮層、前彈力層及基質(zhì)層;再由DCNN5及DCNN6分別將正常及異常的上皮/內(nèi)皮層圖像分類為上皮層及內(nèi)皮層圖像。整體流程設(shè)計(jì)符合眼科模型建立的倫理要求[15]。詳細(xì)模型訓(xùn)練流程見(jiàn)圖1。

圖1 模型訓(xùn)練流程圖 DCNN:深度卷積網(wǎng)絡(luò)Figure 1 Flow chart of model training DCNN:deep convolutional neural network

1.2.3評(píng)價(jià)指標(biāo)

1.2.3.1模型準(zhǔn)確性驗(yàn)證 1個(gè)內(nèi)部測(cè)試的數(shù)據(jù)集(武漢大學(xué)人民醫(yī)院)及1個(gè)外部測(cè)試的數(shù)據(jù)集(武漢大學(xué)中南醫(yī)院)被用于評(píng)估模型的性能。采用準(zhǔn)確度、特異度、敏感度、受試者工作特征曲線(receiver operating characteristic curve,ROC)、ROC曲線下面積(area under curve,AUC)、陽(yáng)性預(yù)測(cè)值(positive predictive value,PPV)和陰性預(yù)測(cè)值(negative predictive value,NPV)評(píng)估模型準(zhǔn)確性。

1.2.3.2角膜IVCM圖像診斷人機(jī)大賽 模型訓(xùn)練完成后,另選取獨(dú)立于機(jī)器訓(xùn)練集及測(cè)試集的圖像360張,邀請(qǐng)3位擁有10年以上工作經(jīng)驗(yàn)的角膜專業(yè)高年資醫(yī)師參與人機(jī)大賽。3位醫(yī)師分別獨(dú)立對(duì)圖像表現(xiàn)正常/異常及圖像層次進(jìn)行診斷,并在測(cè)試中由同一名研究人員記錄耗時(shí),同時(shí)圖像經(jīng)模型重復(fù)評(píng)估3次獲得相應(yīng)的模型準(zhǔn)確度及用時(shí),最后比較3位醫(yī)師及模型評(píng)估結(jié)果的準(zhǔn)確性及評(píng)估用時(shí)。

1.2.3.3模型輔助低年資醫(yī)師閱片 使用與人機(jī)大賽同一批圖片,另邀請(qǐng)8位未經(jīng)過(guò)IVCM培訓(xùn)且臨床經(jīng)驗(yàn)少于3年的眼科醫(yī)師分別在無(wú)機(jī)器輔助及有機(jī)器輔助(圖像先由計(jì)算機(jī)進(jìn)行評(píng)估并以標(biāo)簽形式顯示結(jié)果)的情況下獨(dú)立對(duì)360張圖片進(jìn)行診斷并記錄結(jié)果,比較2次評(píng)估的準(zhǔn)確度。

1.3 統(tǒng)計(jì)學(xué)方法

2 結(jié)果

2.1 模型識(shí)別準(zhǔn)確性驗(yàn)證

(1)計(jì)算機(jī)模型DCNN1在內(nèi)部測(cè)試集中對(duì)高質(zhì)量圖像分類識(shí)別的準(zhǔn)確度為0.954,敏感度為0.960,特異度為0.940,PPV為0.983,NPV為0.860。(2)DCNN2在內(nèi)部測(cè)試集中對(duì)異常圖像分類識(shí)別的準(zhǔn)確度為0.916,敏感度為0.910,特異度為0.921,PPV為0.917,NPV為0.915;在外部測(cè)試集中準(zhǔn)確度為0.896,敏感度為0.945,特異度為0.847,PPV為0.862,NPV為0.938。(3)DCNN3在內(nèi)部測(cè)試集中對(duì)正常圖像層次識(shí)別的總體準(zhǔn)確度為0.983,其中對(duì)上皮/內(nèi)皮層識(shí)別的準(zhǔn)確度為1.000,對(duì)前彈力層識(shí)別的準(zhǔn)確度為0.958,對(duì)基質(zhì)層識(shí)別的準(zhǔn)確度為0.986;在外部測(cè)試集中對(duì)正常圖像層次識(shí)別的總體準(zhǔn)確度為0.988,其中對(duì)上皮/內(nèi)皮層識(shí)別的準(zhǔn)確度為1.000,對(duì)前彈力層識(shí)別的準(zhǔn)確度為0.962,對(duì)基質(zhì)層識(shí)別的準(zhǔn)確度為0.993。(4)DCNN4在內(nèi)部測(cè)試集中對(duì)異常圖像層次識(shí)別的總體準(zhǔn)確度為0.925,其中對(duì)上皮/內(nèi)皮層識(shí)別的準(zhǔn)確度為0.909,對(duì)前彈力層識(shí)別的準(zhǔn)確度為0.900,對(duì)基質(zhì)層識(shí)別的準(zhǔn)確度為0.985;在外部測(cè)試集中對(duì)異常圖像層次識(shí)別的總體準(zhǔn)確度為0.929,其中對(duì)上皮/內(nèi)皮層識(shí)別的準(zhǔn)確度為0.916,對(duì)前彈力層識(shí)別的準(zhǔn)確度為0.893,對(duì)基質(zhì)層識(shí)別的準(zhǔn)確度為0.988。(5)DCNN5及DCNN6對(duì)正常及異常圖像上皮及內(nèi)皮層識(shí)別的準(zhǔn)確度在內(nèi)部及外部測(cè)試集中均為1.000。DCNN1和DCNN2對(duì)圖像高/低質(zhì)量及正/異常分類的混淆矩陣及ROC曲線見(jiàn)圖2;DCNN3、DCNN4、DCNN5和DCNN6對(duì)圖像層次識(shí)別的混淆矩陣見(jiàn)圖3。

圖2 DCNN1、DCNN2和DCNN3模型的混淆矩陣及ROC曲線 A:DCNN1模型(內(nèi)部測(cè)試)混淆矩陣 B:DCNN2模型(內(nèi)部測(cè)試)混淆矩陣 C:DCNN3模型(內(nèi)部測(cè)試)混淆矩陣 D:DCNN1模型(內(nèi)部測(cè)試)ROC曲線 AUC=0.989 E:DCNN2模型(內(nèi)部測(cè)試)ROC曲線 AUC=0.968 F:DCNN2模型(外部測(cè)試)ROC曲線 AUC=0.970 ROC:受試者工作特征曲線Figure 2 Confusion matrix diagrams and ROC curve of DCNN1,DCNN2 and DCNN3 models A:Confusion matrix diagram of DCNN1 (Internal test) B:Confusion matrix diagram of DCNN2 (Internal test) C:Confusion matrix diagram of DCNN3 (Internal test) D:ROC curve of DCNN1 (Internal test) AUC=0.989 E:ROC curve of DCNN2 (Internal test) AUC=0.968 F:ROC curve of DCNN2 (External test) AUC=0.970 ROC:receiver operating characteristic curve

圖3 DCNN3、DCNN4、DCNN5和DCNN6模型的混淆矩陣 A:DCNN3模型(內(nèi)部測(cè)試) B:DCNN4模型(內(nèi)部測(cè)試) C:DCNN5模型(內(nèi)部測(cè)試) D:DCNN6模型(內(nèi)部測(cè)試) E:DCNN3模型(外部測(cè)試) F:DCNN4模型(外部測(cè)試) G:DCNN5模型(外部測(cè)試) H:DCNN6模型(外部測(cè)試)Figure 3 Confusion matrix diagrams of DCNN3,DCNN4,DCNN5 and DCNN6 models A:DCNN3 (Internal test) B:DCNN4 (Internal test) C:DCNN5 (Internal test) D:DCNN6 (Internal test) E:DCNN3 (External test) F:DCNN4 (External test) G:DCNN5 (External test) H:DCNN6 (External test)

2.2 人機(jī)診斷準(zhǔn)確度比較

針對(duì)360張獨(dú)立測(cè)試圖像,模型及高年資醫(yī)師對(duì)正常及異常圖像分類識(shí)別的平均準(zhǔn)確度分別為0.922±0.000和0.916±0.008,對(duì)圖像層次識(shí)別的平均準(zhǔn)確度分別為0.956±0.000和0.951±0.005,總體準(zhǔn)確度分別為0.878±0.000和0.881±0.009。模型在正常/異常判斷、層次識(shí)別及總體診斷的準(zhǔn)確度均與3名高年資醫(yī)師相近,差異均無(wú)統(tǒng)計(jì)學(xué)意義(t=0.749,P=0.495;t=1.487,P=0.300;t=-0.498,P=0.645)。高年資醫(yī)師用時(shí)最短為3 155 s,平均8.764 s/張;最長(zhǎng)用時(shí)3 491 s,平均9.697 s/張;模型評(píng)估用時(shí)11 s,平均0.031 s/張,評(píng)估速度遠(yuǎn)高于高年資醫(yī)師,約為其300倍(表3)。

表3 人機(jī)識(shí)別IVCM角膜圖像的準(zhǔn)確度及用時(shí)比較Table 3 Comparison of accuracy and time of identifying corneal IVCM images between the model and ophthalmologists

2.3 模型輔助前后低年資醫(yī)師診斷準(zhǔn)確度比較

低年資醫(yī)師經(jīng)機(jī)器輔助后對(duì)圖像正/異常及層次診斷的總體平均準(zhǔn)確度為0.816±0.043,明顯高于模型輔助前的0.669±0.061,差異有統(tǒng)計(jì)學(xué)意義(t=6.304,P<0.001)(圖4)。

圖4 模型輔助前后低年資醫(yī)師圖像診斷準(zhǔn)確度比較Figure 4 Comparison of imaging diagnosis accuracy of trainees between without and with model assistance

3 討論

本研究利用2個(gè)三分類及4個(gè)二分類模型對(duì)9種IVCM圖像(低質(zhì)量圖像及高質(zhì)量的正常上皮、異常上皮、正常前彈力層、異常前彈力層、正常基質(zhì)、異常基質(zhì)、正常內(nèi)皮、異常內(nèi)皮)進(jìn)行識(shí)別診斷。首先利用DCNN1進(jìn)行高質(zhì)量圖像篩選;利用DCNN2進(jìn)行正常及異常角膜圖像識(shí)別;利用DCNN3、DCNN5進(jìn)行正常角膜圖像的層次識(shí)別;利用DCNN4、DCNN6進(jìn)行異常角膜圖像的層次識(shí)別。同時(shí),雖然該網(wǎng)絡(luò)為針對(duì)單張圖片而非單個(gè)患者的診斷識(shí)別,實(shí)際臨床操作中檢查者會(huì)為每例患者采集幾十到幾百?gòu)埐坏鹊膱D片,只要將單個(gè)患者全部圖像輸入模型即可獲得所采集圖像的正/異常及層次識(shí)別結(jié)果,從而得到針對(duì)該患者IVCM檢查的整體診斷。

近年來(lái),深度學(xué)習(xí)技術(shù)已被廣泛應(yīng)用于眼科疾病的診斷、鑒別及防治[16-19],美國(guó)食品藥品監(jiān)督管理局也于2018年批準(zhǔn)了首個(gè)基于AI的糖尿病視網(wǎng)膜病變自主診斷工具[20]。同時(shí),機(jī)器學(xué)習(xí)在對(duì)裂隙燈顯微鏡圖像、眼前節(jié)光學(xué)相干斷層掃描(optical coherence tomography,OCT)、黃斑OCT及眼底造影等多種眼科前后節(jié)圖像進(jìn)行診斷、分割、量化及計(jì)算中均獲得了令人矚目的成果[10,21-22],如利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了眼科B型超聲的玻璃體視網(wǎng)膜疾病輔助診斷系統(tǒng)、基于深度學(xué)習(xí)的活動(dòng)性角膜感染及角膜瘢痕區(qū)分模型等[23-24]。在IVCM識(shí)圖領(lǐng)域,目前也有相關(guān)研究發(fā)現(xiàn)AI可輔助角膜神經(jīng)的量化與分割、神經(jīng)纖維曲率分級(jí)、神經(jīng)纖維與樹(shù)突狀細(xì)胞及真菌菌絲鑒別、活化樹(shù)突狀細(xì)胞與炎性細(xì)胞的識(shí)別及角膜內(nèi)皮細(xì)胞分割與形態(tài)參數(shù)評(píng)估等[7,13,25-26],充分說(shuō)明深度學(xué)習(xí)適用于輔助IVCM圖像進(jìn)行多種結(jié)構(gòu)識(shí)別。但現(xiàn)有研究多圍繞單一層次的角膜圖像或部分具體組織展開(kāi),而角膜由多個(gè)層次構(gòu)成,因此開(kāi)發(fā)一個(gè)適用范圍更廣并能全面評(píng)估角膜圖像的輔助識(shí)圖模型有利于彌補(bǔ)這一研究領(lǐng)域的空白。

Res-Net-50是一種具有計(jì)算負(fù)擔(dān)小、易優(yōu)化等優(yōu)點(diǎn)的殘差學(xué)習(xí)框架,是基于現(xiàn)有深度網(wǎng)絡(luò)訓(xùn)練基礎(chǔ)上提出的,其包含1個(gè)全連接層和49個(gè)卷積層的優(yōu)秀殘差網(wǎng)絡(luò)模型,可用來(lái)解決退化和梯度問(wèn)題[23]。本研究中采用Res-Net-50創(chuàng)建了基于6個(gè)深度神經(jīng)網(wǎng)絡(luò)的機(jī)器模型用于觀察AI在篩選高質(zhì)量圖像、診斷正常/異常圖像及識(shí)別角膜層次方面的能力,結(jié)果表明該模型在過(guò)濾低質(zhì)量圖像及識(shí)別圖像表現(xiàn)正/異常方面具有較好的準(zhǔn)確度、特異度及敏感度,并在區(qū)分角膜上皮層、前彈力層、基質(zhì)層及內(nèi)皮層4個(gè)層次上具有很高的診斷效能。人機(jī)比賽證明該模型具有與高年資角膜專家相當(dāng)?shù)臏?zhǔn)確度且識(shí)別速度遠(yuǎn)高于高年資醫(yī)師,約為其300倍。同時(shí),低年資醫(yī)師在經(jīng)模型輔助后對(duì)IVCM圖像識(shí)別的準(zhǔn)確度明顯提高,其中部分低年資醫(yī)師的診斷準(zhǔn)確度甚至接近高年資醫(yī)師。上述結(jié)果表明,該模型在輔助評(píng)估IVCM圖像中具有巨大的應(yīng)用潛力,并有望助力實(shí)際臨床科研工作中大批量圖像的篩查分類,便于眼科醫(yī)師快速集中地查看患者的異常圖像或統(tǒng)一獲取研究所需特定層次及類型的圖像。

本研究仍存在一定的局限性。首先,由于模型針對(duì)圖像的識(shí)別結(jié)果是定性的,對(duì)實(shí)際異常的特征,如上皮層炎性細(xì)胞、基質(zhì)層菌絲及內(nèi)皮層角膜后沉著物等并不能進(jìn)一步做定量或分級(jí)評(píng)估,本課題組計(jì)劃在下一步研究中擴(kuò)大訓(xùn)練的樣本量,嘗試針對(duì)不同異常特征進(jìn)行分割識(shí)別。其次,雖然本研究已盡可能多地納入臨床角膜疾病的圖像,但由于數(shù)據(jù)來(lái)源均為固定時(shí)間內(nèi)的回顧性收集,仍有臨床較少見(jiàn)的角膜疾病未能納入;同時(shí),模型訓(xùn)練依賴足夠的樣本數(shù)據(jù),而部分納入研究的疾病圖像數(shù)量相對(duì)有限,不足以針對(duì)異常圖像做進(jìn)一步的病種識(shí)別,對(duì)于此問(wèn)題,本課題組擬后期聯(lián)合多家醫(yī)院以建立病種更多、樣本量更大的數(shù)據(jù)庫(kù)用于模型訓(xùn)練優(yōu)化,可綜合分析患者各層次IVCM圖像表現(xiàn),增加對(duì)疾病病種的識(shí)別同時(shí)提高模型識(shí)別精度,以期將AI技術(shù)更好地應(yīng)用于臨床及科研,利于眼科智能醫(yī)療的普及。

綜上,本研究開(kāi)發(fā)了基于深度學(xué)習(xí)的角膜IVCM圖像智能診斷模型,結(jié)果表明其擁有較高的準(zhǔn)確度、特異度及敏感度,可輔助臨床醫(yī)師更快、更好地識(shí)別角膜IVCM圖像。該模型有利于減輕人工閱片及診斷的工作量,后續(xù)有望結(jié)合移動(dòng)終端幫助臨床經(jīng)驗(yàn)較少或角膜專業(yè)醫(yī)師缺乏的社區(qū)和基層醫(yī)院學(xué)習(xí)、識(shí)別角膜疾病的IVCM圖像,也有助于針對(duì)大批量患者角膜疾病的篩查及獲取研究所需特定角膜層次圖像。

利益沖突所有作者均聲明不存在利益沖突

作者貢獻(xiàn)聲明顏瑜琳:設(shè)計(jì)試驗(yàn)、實(shí)施研究、采集數(shù)據(jù)、分析/解釋數(shù)據(jù)、文章撰寫;蔣維艷:實(shí)施研究、采集數(shù)據(jù)、分析數(shù)據(jù);程思敏:實(shí)施研究、采集數(shù)據(jù);周奕文、于薏:設(shè)計(jì)試驗(yàn)、實(shí)施研究、采集數(shù)據(jù);鄭碧清:參與人工智能模型搭建及測(cè)試;楊燕寧:參與試驗(yàn)設(shè)計(jì)、文章審閱及定稿