探究人工智能在眼底疾病筛查中的应用前景

孙笑笑　陈有信　李东辉　刘佳

关键字：人工智能；深度学习；眼底疾病筛查

人工智能是指机器模仿人类特有的智能能力，具体包括从已有经验中学习、进行归纳总结、寻找不同事物间的内在关系等[1]。很多文献报道人工智能在眼科疾病的筛查和诊断中表现优异[1，2]。人工智能在眼科中的应用原理主要为机器学习和深度学习两个子类，目前深度学习在眼科疾病的图像识别方面应用更为广泛。

一些研究发现建立深度学习系统能够很好地对糖尿病视网膜病变[3～5]、青光眼[6，7]、年龄相关性黄斑病变[8～10]、早产儿视网膜病变[11，12]等疾病进行诊断，其准确度和特异性较高。基于人工智能设备具有能够快速、高效地诊断眼部疾病的特点，适用于在人群中大规模进行眼病筛查，尽早检出疾病、避免延误病情。

但目前人工智能用于眼部疾病筛查的效果和水平尚不清楚，缺少相关的研究结果。因而本研究以1157例患者为研究对象，对人工智能基于眼底图像分析进而诊断眼病的能力和效果进行验证。

1 研究方法

研究对象为2022年1～11月于北京大明眼镜王府井总店进行眼健康筛查的1157例患者。其中，男性538例（46.5%），女性619例（53.5%），平均年龄为43岁。

采用TRC-NW400全自动免散瞳眼底相机（拓普康）对受试患者进行眼底照相，可重复测量以获取优质的图像结果，使用深度学习算法（糖尿病视网膜病变眼底图像辅助诊断软件，EyeWisdom V1）进行眼底图像分析和疾病诊断。机器诊断之后有30.1%送医进行复验。

采用SPSS20.0进行统计学分析。仪器将自动计算每种眼病的检出率。

2 研究结果

在1157例患者中，共计472例患者检出具有眼底异常表现。其中，男性230例（48.7%），女性242例（51.3%）（见图1）。从年龄上看，高龄患者被检出具有眼底异常表现的比例更高。在30岁以下、30～40岁、40～50岁、50～60岁以及60岁以上的患者中，分别有76例（21.1%）、49例（28.2%）、62例（32.3%）、133例（58.3%）、152例（73.4%）患者检出具有眼底异常表现（见图2）。

图1 检出阳性患者的性别分布情况

图2 检出阳性患者的年龄分布情况

此外，在472例检出具有眼底异常表现的患者中，290例患者被诊断为具有豹纹状眼底、49例患者具有非黄斑区玻璃膜疣、46例患者为可疑青光眼、40例患者为病理性近视，18例患者视盘边界不清、17例患者具有黄斑前膜、11例患者为糖尿病视网膜病变、9例患者为中心性浆液性脉络膜视网膜病变、9例患者为视神经萎缩、9例患者为年龄相关性黄斑变性（干性）、8例患者具有黄斑裂孔、6例患者具有有髓神经纤维、6例患者为黄斑区陈旧病变、4例患者为视网膜静脉阻塞、3例患者为激光术后、134例患者具有其他可见眼底异常（见图3）。

图3 检出阳性患者的疾病类型分布情况

3 讨论

深度学习作为人工智能的重要组成部分，采用神经网络结构，能够从不同处理层来分析数据的内部特征，进而发现大数据中蕴含的复杂结构[13，14]。良好的深度学习算法能够有效诊断眼底结构的异常，甚至有既往研究报道了一些优异的深度学习算法对眼病诊断的准确度能够与经验丰富的临床眼科医生相近[8，11]。有研究将深度学习算法用于光学相干断层扫描设备（OCT），有利于提高眼病早期筛查的灵敏度[15，16]。因此，基于深度学习能够快速、准确地发现眼底结构异常的优点，未来将深度学习应用于大规模眼病筛查具有一定的优势。

既往很多研究发现深度学习算法对某一特定眼病的眼底改变具有良好的敏感性和特异性[17～21]，如DR、青光眼、AMD、ROP等。近年来也有一些研究采用深度学习算法的同时对不同眼病进行诊断和分类。Ting等[3]建立的深度学习系统在14880例患者的眼底图像筛查中，诊断可疑糖尿病视网膜病变的敏感性和特异性分别为90.5%和91.6%，诊断可疑青光眼的敏感性和特异性分别为96.4%和87.2%，诊断年龄相关黄斑变性的敏感性和特异性分别为93.2%和88.7%。Son等[22]采用深度学习算法对103262张眼底图像进行分析，发现该深度学习算法能够分辨12种视网膜异常改变。Dong等[23]对110784例患者的208758张眼底图像使用深度学习算法进行分析，发现该算法检出10种视网膜疾病的灵敏度为89.8%、特异性为95.3%～99.9%，其中包括可疑糖尿病视网膜病变、可疑青光眼、年龄相关黄斑变性、视网膜静脉阻塞、黄斑裂孔、黄斑前膜、高血压视网膜病变、有髓神经纤维和视网膜色素变性等。该研究还发现，与眼科医生相比，深度学习算法对眼病诊断的灵敏度相近甚至更好，对图像分析和诊断的速度更快。

上述研究提示深度学习算法在眼底疾病筛查中可能发挥重要作用。本研究采用深度学习算法辅助的眼底照相仪器对1157例患者进行眼病筛查，发现深度学习算法能够根据眼底图像的异常表现诊断出多种眼病，提示深度学习能够有助于大规模眼底疾病筛查工作的开展。但本研究的研究对象较少，并且没有进行疾病检出的灵敏度和特异性计算，未来仍需大样本、长期的临床研究进行验证。

本研究所使用的EyeWisdom V1软件是一种基于深度学习理论的糖尿病视网膜病变分级诊断软件。Zhang等[24]对EyeWisdom V1软件进行糖尿病视网膜病变分级诊断的性能进行探究，发现在630例患者的眼底图像中，EyeWisdom V1软件能够实现对糖尿病视网膜病变的分级诊断，具有良好的灵敏度和特异性，并且与眼科医生的诊断相一致。EyeWisdom V1软件用于诊断眼病具有一定的可靠性，提示本研究结果可信。但目前有关EyeWisdom V1软件的研究较少，仍需更多研究进行EyeWisdom V1软件的性能分析。此外，Abràmoff等[25]建立了首个由FDA批准的自主糖尿病视网膜病变诊断系统，该系统的敏感性和特异性分别为87.4%和89.5%。目前用于糖尿病视网膜病变筛查的深度学习系统还包括IDx-DR系统、RetmarkerDR软件、EyeArt系统、Google系统、Singapore SERI-NUS系统等[25]。

综上所述，在本研究中深度学习算法能够检出患者的眼底异常改变，有助于眼病的早发现、早治疗。可见，深度学习未来可能有助于大规模眼病筛查工作的开展。

参考文献

Keskinbora，K.&Güven，F.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.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.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.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）.

作者单位：

1.中国医学科学院北京协和医学院 北京协和医院眼科

2.北京大明眼镜股份有限公司