了解糖尿病复发性病症

糖尿病复发性病症(DR)是糖尿病的微血管并发症,它损害视网膜血管,导致不治疗就逐渐丧失视力。 病症源于慢性高血糖,导致毛细肠内皮损伤、皮质丧失和下膜增厚。 这些病理变化导致血管外溢、微神经外科形成和毛细血管闭塞。 随着烟血病的恶化,视网膜释放出血管内皮生长因子(VEGF),刺激了异常的去血管化 — — 这也是长效糖尿病复发性复发性病的标志。 世界卫生组织 报告说,约35%的糖尿病患者患有某种D,并且仍然是全球工作年龄成年人失明的主要原因。

诊断性疾病在临床上的进展遵循了一种完善的中继系统。 国际临床糖尿病复发规模将严重性从轻度非增生性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病复发性疾病。 国际糖尿病联合会估计,到2030年,糖尿病的发病率将上升,影响5亿多成年人。 及时检测和干预可以降低严重视力丧失的风险,但许多患者只有在发生不可逆向损害之后才确诊。

传统的筛选方法依赖于眼科医生、选取者或认证的分级者等受过培训的专业人士对视网膜图像进行人工分级。 虽然这种方法在受控制的环境中证明是有效的,但它面临一些限制:成本高、服务不足地区专家数量有限以及高年级间差异很大。 一个典型的筛选方案要求分级者每届检查数百个图像,导致疲劳和不准确。 这些挑战加速了对自动化、可扩展的解决方案的搜索,这些解决方案既可以维持高诊断标准,又可以降低人的努力和成本。

深入学习在医学成像中的作用

深层学习——基于多层人工神经网络的机器学习的子集——在过去十年中对医学图像进行了革命性分析。 革命神经网络特别擅长从原始像素数据中学习层次特征,从而消除了手动取出特征的需要。 在视网膜成像、深层学习模型摄取基金照片和学习识别与DR病理学相关的模式,如微神经瘤、出血、出血、棉发斑点和毒气变化。 这些模型通常都通过专家眼科医生使用标准化分级表附加说明的图像大数据集来培训。

几个里程碑式的研究表明,深层学习系统与人类分级器相比具有等同性或优越性。 IDx-DR系统(FDA授权的AI诊断)在关键的临床试验中达到了87.2%的敏感性和90.7%的特异性。 这些系统不仅复制了人类分级器的性能,而且还发现了即使是有经验的分级器也可能忽略的微妙缺陷,特别是在边缘视网膜区域或质量低下的图像中。

深层学习模型如何分析视网膜图像

培训一个深入的DR检测学习模型需要严格的管道。第一步是数据采集:收集大量来自不同人群的Fundus照片,每张照片贴上重度分级标签。典型的数据集包括EyePACS数据库(超过80,000个图像)和Kaggle Diabetic Retinodisy检测挑战数据集。预处理步骤包括将图像重新调整到一个统一的分辨率(例如512x512像素)、色道正常化和对比度调整,以减少不同相机模型的可变性。数据增强技术——随机旋转、翻转、亮度和对比度变化以及弹性变形——用于提高数据集的有效大小并改进模型的强性。

标准的CNN架构首先以取出边缘、地块和纹理等低等地貌的分层为起点。 聚合地层在保留显著信息的同时减少了空间维度。 更深层的分层将这些分层结合到代表损伤形状和空间关系的更高地层。 最后,完全连接地层输出出一个跨重度类的概率分布。 先进的架构现在包含了关注机制,如SE(Squeeze-and-Expression)块或变压器自意性,使网络能够专注于临床相关区域,提高准确性和可解释性。例如,ResNEXt架构与关注相结合,在多重D检测基准中取得了最新的结果。

解释性技术如Grad-CAM和显要地图产生热图,可以覆盖原始图像,突出模型决定中最有影响力的像素。 这种透明度对于建立临床医生的信任和监管批准至关重要。 国家眼科研究所的一项研究 表明,当热图明确显示与自身判断相符的损伤位置时,临床医生更有可能接受AI建议。 然而,目前的可解释性方法有局限性 — — 它们可能无法掌握全部推理过程,临床效用仍然是积极研究的领域。

早期发现的深层学习的好处

采用深入的学习系统进行减灾筛查,可提供若干令人信服的优势,解决传统方法的缺陷,如下文所概述。

  • 高诊断准确性: 许多研究证实深层学习模型实现了对板状认证眼科医生的敏感度和特异性非贫化. 对于早期DR(mild NPDR),模型往往检测出比人类分级器更一致的微神经瘤,减少假阴性. 眼科视网膜 2020年的一项研究发现,深层学习系统检测出可比较的DR,敏感度为98.5%,而一个分级器组的分级器的分级为92.2%。
  • 空前速度:[ 一个精准的神经网络可以在现代GPU上以0.1秒以内分析出单一视网膜图像,这个速度可以每小时筛选出上百名病人,消除了高容量诊所或社区筛选驱动器中的瓶颈. 实时反馈可以使同一天的转诊决定.
  • 可扩展性和访问性:[ 深层学习模型可以在低成本硬件上运行,包括具有自定义视网膜附件的智能手机,这样就可以在眼科医生稀缺的偏远或资源有限的环境下进行筛选. 远程医疗平台可以自动分级从外围诊所上传的图像,只推荐正案例供专家咨询,从而大幅削减所需的专家队伍.
  • 一致性和可复制性:[ 与人类分级者的精度因疲劳、白天时间或经验而异,训练有素的CNN为相同的输入提供相同的产出,这消除了观察者之间和观察者内部的多变性,确保了不同地点和不同时间之间统一的护理标准。这种一致性在大规模筛查方案中特别有价值,因为有成千上万的病人在多个地点接受检查。
  • 成本效益: 自动筛查大大降低了每个被检查的病人的劳动力成本。 2022年健康经济分析估计,基于AI的筛查可以节省每10万个在美国医疗体系中筛查的病人320万美元,主要通过降低对专家分级器的需求以及早期检测来防止昂贵的高级疾病治疗。 这就使得每年对所有糖尿病患者进行筛查,而不是仅仅对有高级症状的患者进行检测,在经济上是可行的。

挑战和考虑

尽管有希望,但部署深入的DR检测学习并非没有障碍。 最重要的挑战之一是需要大型、高质量和多样化的培训数据集。 主要是来自单一种族或相机制造商的图像培训的模型在面临未遇到挑战的人口或成像条件时可能表现不佳。例如,受过高加索人占优势数据集培训的模型可能降低了非洲或亚洲人口常见的更深层的基金色素的准确性。卡格糖尿病抗体检测挑战和EyePACS数据集等努力已经开始解决这个问题,但地理和人口多样性仍然是全球规模提升的一个问题。 FDA强调,需要针对有代表性的人群进行市场前验证以避免算法偏差。

解释性是另一个关键问题. 深神经网络通常被描述为"黑盒",临床医生可以理解地不愿在不理解推理的情况下根据建议来决定治疗决定. Grad-CAM等基于热映射的解释性技术虽然提高了透明度,但还没有被普遍接受为足以进行临床信任. JAMA眼科[ 上发表的一项眼科医生调查发现,只有系统能够为它的结论提供明确的理由,78%的人才会使用AI工具. 监管机构继续完善基于AI设备的指南,需要严格验证真实世界的数据并明确标注模型限制.

安全和数据隐私是额外的制约因素。 视网膜图像是HIPAA和GDPR等法规下的敏感个人数据。 将图像传输到基于云的AI服务引起了人们对合规性的关切,而潜在的数据违规可能会产生严重后果。 在当地运行的筛选设备边际模型提供了部分解决方案,但限制了中央更新或改进模型的能力,而无需重新整合软件。 联邦学习在不共享原始数据的情况下,在各机构之间培训模型,是一个积极的研究领域,旨在保护隐私,同时从多样性数据中受益。 欧洲医院联合体2023年的试点研究表明,一个用于DR检测的联邦学习模型在保持病人数据的同时,实现了96%的中央培训模型的性能。

融入临床工作流程

将深层学习工具实际纳入现有的糖尿病眼科治疗路径不仅涉及技术部署,还涉及工作流程、报销和临床培训的改变。 一个成功的模式是AI辅助分级。 深层学习算法自动分级接收图像,并只标出有可疑结果的图像,供人工审查。 这种方法可以将专家的检查负担降低50-70%,让他们集中精力处理复杂病例,同时保持整体检测率。 英国糖尿病眼科筛查计划报告,深层学习分级系统将需要人工分级的图像数量减少了60%,而不会增加虚假的负面反应。

英国国家卫生服务部糖尿病眼部筛查计划报告说,深层的学习系统可以可靠地识别95%以上的可诊断的疾病诊断病例,其实施与从图像采集到诊断的时间大大缩短有关,从平均4周到2天。 美国退伍军人健康管理局还将AI筛查纳入其远程眼科网络,表明农村退伍军人的获取机会得到改善,糖尿病患者的筛查参与率增加了40%。 报销框架正在发展;美国医疗保险和私营保险商现在覆盖某些基于AI的筛查服务,这是向广泛采用这一服务迈出的关键一步。

未来方向和研究

该领域继续快速发展,研究人员正在探索将Fundus摄影与光学一致性图谱等其他成像模式相结合的多模式模式,这些模式提供了关于视网膜的深度解析信息,并能在临床上能够看到早期糖尿病乳腺水肿,在Fundus图像上可以发现。 在 Natural Medicine[ 2023年的一项研究中,采用了一种模式,联合分析Fundus和OCT图像,实现了0.98的AUC,用于检测中枢-无参与的乳腺水肿。其他人正在调查使用分层对抗网络(GANs)合成现实的视网膜图,从而增加数据集多样性,而无需新患者招聘的费用。GAN生成的图像显示,可以提高15%的任职人数不足的分层模型性能。

正在完善解释性AI(XAI)方法,为模型决定提供更临床上可操作的理由。当前的工作重点是构建不仅输出严重分数,而且还输出出每发损伤的损伤位置和信心分数图的模型。 一些架构现在包含基于注意力的机制,专门突出微神经瘤、出血和出血,使临床医生能够验证模型的结论。 从长远看,多任务学习可能使单一神经网络同时检测DR,预测其发展风险,甚至估计其他糖尿病并发症的概率,如肾上腺炎或心血管疾病,从一眼影像中打开了系统筛查的大门。 来自Google健康公司的一项2024年的研究展示了一个模型,可以预测单视网膜照片产生五年期肾病风险,该模型的AUC值为0.83。

联邦学习是另一个很有希望的模式,在不同的机构内培训模型,而不需要原始数据就可以离开每个网站。 这种方法既能保护病人的隐私,又能让模型从不同人群中学习,有可能克服数据集多样性的挑战。 欧洲最近的试点表明,联邦学习可以配合中央培训模型的绩效,同时保持对GDPR的遵守。 此外,随着紧凑神经加速器的出现,本地硬件上的边缘计算-处理图像变得更加可行,从而可以进行实时推论,而无需互联网连接。 这对于在低资源环境下部署至关重要。

结论

深层次的学习已经从研究实验室转变为临床实践,成为防治糖尿病性肾上腺病相关失明的有力助手。 通过对视网膜图像进行快速、准确和可扩展的分析,这些人工智能系统补充了眼科专业人员的专业知识,并扩大了数百万糖尿病患者的高质量筛查范围,否则他们可能无法诊断,直到视力已经受损。 挑战依然存在 — — 特别是在数据多样性、可解释性和监管协调方面 — — 但轨迹是不可改变的。 随着模型性表现不断改善,并融入到医疗信息技术系统,深度学习将成为早期糖尿病性复健检测的一个不可或缺的组成部分,有助于保持糖尿病患者人数不断增加的视力。 下一个十年将看到在临床医生、工程师和决策者之间持续的研究和协作努力的推动下,进一步扩展为多模式诊断、个性化风险预测和全球部署服务。