黄斑部|北京友谊医院王康团队在Retina发文：人工智能框架的开发和验证在黄斑疾病OCT影像中的应用 yu患者|吉大一院|救助|器官移植

近日，北京友谊医院眼科王康教授团队在视网膜疾病领域著名期刊Retina上发表论文Development and Validation of an Explainable Artificial Intelligence Framework for Macular Disease Diagnosis Based on OCT Images.
在本研究中，王康教授团队提出了一种新的具有更强解释性的融合图像水平病变识别和眼睛水平病种诊断的人工智能集成框架，该架构包括应用深度学习实现对OCT图像上的多种视网膜病变进行识别以及应用随机森林方法在单眼层面基于一系列病变信息来诊断可能的黄斑疾病。本研究在大量数据上开发和验证这一基于OCT图像水平视网膜病变分类和眼部水平黄斑疾病诊断的更具说服力的框架。
黄斑位于视网膜后极部，是人类视觉产生的重要结构。当患者黄斑出现某些病变时，可发展为损害视力的黄斑部疾病，例如糖尿病性黄斑水肿(diabetic macular edema，DME)和老年性黄斑变性(age-related macular degeneration，AMD)。DME是糖尿病的主要并发症之一，全球超过2000万例糖尿病患者中，平均每15名糖尿病患者中就有一人受到DME的影响。AMD是老年人部分或全部失明的主要原因，可分为干性AMD和湿性AMD。准确识别视网膜病变和黄斑部疾病对临床诊断和治疗具有重要意义。基于OCT影像，临床医生可以识别与疾病诊断相关的各种视网膜病变，开发一种OCT影像智能分析系统在眼科领域很受关注。
本研究采用Spectralis OCT设备(Heidelberg Engineering, Heidelberg, Germany)，中心凹为扫描中心，B-scan间隔=240 μm；扫描范围包括31幅图像，水平范围30°，垂直范围25°。
本研究遵循赫尔辛基宣言的原则，并得到了首都医科大学北京友谊医院医学伦理学委员会的批准。该研究收集了2016年至2020年在北京友谊医院受检的865只眼，没有基于年龄、性别或其他人口统计信息的排除标准，共26815张Heidelberg Spectralis OCT图像，纳入了9个视网膜病变（视网膜前膜（epiretinal membrane，ERM）、视网膜内高反射物质、IRF、SRF、视网膜下高反射物质、纤维血管色素上皮脱离、浆液性色素上皮脱离、玻璃膜疣和GA和3个黄斑疾病（DME、干/湿性AMD)。
专家招募了4名初级临床专家(2名眼科医生和2名验光师，每人都有5年以上的视网膜临床工作经验)和2名高级眼科医生(每人都有20年以上的临床视网膜工作经验)进行病变注释。最后，将所有标注的数据集划分为训练集(731只眼)、验证集(54只眼)和测试集(80只眼)。这些数据集中保存了相似的病变和疾病类型分布。训练和验证集用于优化模型参数，测试集用于评估算法的性能。
王康教授团队采用深度学习将图像按一定特征进行分类识别视网膜病变和再采用随机森林鉴别黄斑部疾病，并将这两阶段集成框架的性能与眼科专家进行了比较和评估。
在80只眼的2480张海德堡OCT图像测试数据集上，深度学习模型的平均曲线下面积(Area Under Curve, AUC)为0.978 (95% CI, 0.971-0.983)。随机森林能够以0%的错误率进行准确的疾病诊断，其准确率与1位眼科专家相同且优于其他3位专家。黄斑中心部位特异性病变的检测对黄斑疾病的诊断有更大的贡献。
【 黄斑部|北京友谊医院王康团队在Retina发文：人工智能框架的开发和验证在黄斑疾病OCT影像中的应用】收集的眼睛的疾病类别是根据电子病历中先前的诊断确定的，并由2名资深眼科医生进一步确认。除正常眼外，还纳入3种黄斑病变，包括DME、干性AMD和湿性AMD。
王康教授团队所开发的这一方法在基于海德堡OCT图像进行视网膜病变分型和黄斑病变诊断方面具有较高的准确性和可解释性，有促进临床诊断的潜力。
本研究基于海德堡OCT影像，应用人工智能方法包括深度学习（Deep learning）和随机森林（Random forests）在视网膜病变分类和黄斑病变诊断中实现了高精度和可解释性，并有可能促进临床诊断。