引用本文： 吳豐玉, 栗夏蓮. 糖尿病患者眼底照相人工與人工智能分析結果比較. 中華眼底病雜志, 2021, 37(1): 27-31. doi: 10.3760/cma.j.cn511434-20200915-00452 復制
糖尿病視網膜病變（DR）是糖尿病患者致盲的首要原因，早期篩查DR具有重要的臨床意義[1]。人工智能分析擁有大量數據資源，超越人類能力的精度、準確性和穩定性，同時節省人力資源等優點，在臨床醫學研究應用方面越來越廣泛。如，人工智能助力新型冠狀病毒肺炎胸部CT診斷，可有效提升工作效率，提高檢出率，減少患者等待時間，優化診斷流程[2]；人工智能應用于塵肺病的診斷預防，具有快速準確讀片的優點，可以起到早預防早治療的作用[3]。由此可見，人工智能必將在未來醫學中提供重要的輔助作用，甚至在某些方面替代醫生的工作。本研究采用人工分析與人工智能分析對糖尿病患者眼底照相顯示的眼底病變進行診斷與分期，進而驗證兩種方式的一致性，以期為臨床糖尿病患者眼底病變分析提供更為快捷有效的手段以及在一定程度上彌補醫師經驗不足而誤診的缺陷。現將結果報道如下。
1 對象和方法
本研究為經過鄭州大學第一附屬醫院倫理委員會審批（批準號：ZZUIRB2019-4552）的回顧性研究。所有患者均簽署書面知情同意書。
2018年5月到2019年5月鄭州大學第一附屬醫院內分泌科連續收治的糖尿病患者1053例2106只眼納入本研究。其中，男性888例，女性165例；年齡20～70歲，平均年齡53歲。糖尿病病程3～15年。所有患者均符合1999年WHO發布的糖尿病診斷標準[4]：（1）有糖尿病典型癥狀及隨機血漿葡萄糖濃度≥11.1 mmol/L；（2）空腹血漿葡萄糖濃度≥7.0 mmol/L；（3）口服葡萄糖耐量試驗2 h血糖≥11.1 mmol/L。
所有患者均采用日本Kowa無散瞳眼底照相機對糖尿病患者進行眼底檢查。該設備內置830萬像素專業CCD攝像頭，由9個內置固定燈拍攝標準位置周邊圖片，自動拼圖得到一張90°范圍眼底照片。對人工可以正常分析診斷的照片，采用上工眼科云網篩查平臺人工智能分析自動檢測滲出、出血、微動脈瘤等DR特質性病變，并根據DR國際分期標準[5]（表1）對圖像檢測結果進行自動分級。由兩位主治醫師及以上職稱的醫師進行人工分析，并由主任醫師進行審核，以保證人工分析的準確性。兩種分析方法分析結果存在差異時，以人工分析結果為標準。計算并對比兩種分析方法的一致率。一致率=（診斷結果相同眼數/總收集有效眼數）×100%。
表1
糖尿病視網膜病變分期
采用SPSS23.0軟件進行統計分析。對人工分析和人工智能分析結果進行Kappa一致性檢驗，Kappa值判斷標準：0.0≤κ＜0.2為一致性程度很差；0.2≤κ＜0.4為一致性較差；0.4≤κ＜0.6為一致性中等；0.6≤κ＜1.0為一致性較好[6]。P＜0.05為差異有統計學意義。
2 結果
2106只眼中，排除因病情嚴重人工無法智能識別的64只眼，最終納入分析2042只眼。
2042只眼中，人工分析結果顯示無明顯視網膜病變、輕度非增生期、中度非增生期、重度非增生期、增生期、高危增生期分別為1568、105、86、113、91、79只眼；人工智能分析結果顯示無明顯視網膜病變、輕度非增生期、中度非增生期、重度非增生期、增生期、高危增生期分別為1629、176、161、45、22、9只眼。人工分析與人工智能分析結果完全一致者1835只眼，占89.86%；分析有差異者207只眼，占10.14%（表2，圖1）。
圖1
糖尿病患者右眼眼底病變人工智能分析結果示意圖
表2
糖尿病患者眼底病變的人工分析與人工智能分析結果差異性
人工分析、人工智能分析對DR的診斷率分別為23.2%、20.2%，對非DR的診斷率分別為76.8%、79.8%（表3）。人工智能判讀符合度達87.8%。Kappa一致性檢驗結果顯示，人工分析和人工智能分析診斷結果呈中等一致性（κ=0.576，P＜0.01）
表3
糖尿病患者眼底病變的人工分析與人工智能分析結果交叉表
3 討論
據最新研究統計，我國糖尿病患病率大約為11.6%，最小患者的年齡僅7歲[7]。70%的糖尿病患者可出現全身小血管和微血管病變，引起白內障、青光眼、眼球運動障礙等一系列眼部疾病，其中最為嚴重的就是DR；并且，糖尿病病程越長，患者出現視網膜病變的幾率越大[8]。眼底檢查可及早發現早期微動脈瘤和點片狀出血等早期視網膜病變，采取激光光凝治療等措施可以有效延緩病變的發展。目前國內外已有多種篩查方法，如檢眼鏡、眼底彩色立體照相及熒光素眼底血管造影等[9]。眼底照相是一種客觀、方便且診斷符合率、靈敏度和特異性均較高的檢查，其操作簡單、安全快捷、經濟實用，可以準確反映DR的發展程度。但在眼底照相技術應用初期，對其檢查結果依靠人工分析，費時費力且結果準確性依賴于分析醫生的個人經驗水平，對診療帶來不穩定性。隨著人工智能技術的興起和廣泛應用，眼底照相的分析也引入了智能軟件進行分析。其優點有以下幾個方面：（1）提高閱片效率。其快速完成讀片給出診斷結果，甚至提供可供參考的治療方案。（2）準確率高。人工智能集成了成千上萬的病例及專家的診斷結果，通過大數據分析進行深度學習，對病情特征進行超精細分類，診斷準確性不再局限于個人經驗水平。本研究中采用的上工眼科云網篩查平臺是一家依照中國教育協會智能醫學專委會智能眼科學組起草并通過的《基于眼底照相的糖尿病視網膜病變人工智能篩查系統應用指南》[10]而建立的智能篩查平臺，采用計算機深度遷移學習及卷積神經網絡模型對大量眼底照片特征及診斷療法進行學習訓練，與國外Roshini等[11]利用優化的深度卷積神經網絡對DR進行自動診斷的研究中采用的算法較為相似。但目前國內人工智能的應用和發展與西方發達國家仍存在很大差距，性能方面還有待提升。這是因為人工智能是一個跨領域、多學科的產物，需要優秀的計算機硬件和軟件專家、醫學家、數學家等共同努力完成[12]。
本研究通過對1053例糖尿病患者眼底照相眼底病變人工分析和人工智能分析結果一致性的對比，發現人工分析與人工智能分析完全一致的比例為84.38%，呈中等一致性。其分析結果不一致主要表現為：（1）人工智能分析為點狀出血、滲出，而人工分析為正常。這說明人工智能較肉眼能識別更為細小的病變。（2）人工智能分析為玻璃膜疣，而人工分析為點狀滲出。玻璃膜疣與滲出是有區別的，滲出是來自視網膜，邊界相對銳利；而玻璃膜疣位于視網膜下，被視網膜色素上皮覆蓋，邊界就相對模糊，不易被發現，而人工智能可較好地分析出來。（3）人工智能分析為正常或玻璃體變性，而人工分析為點狀滲出或出血或微動脈瘤。這說明人工智能不能較細致地分析出微動脈瘤，大部分以有無滲出及出血取代。同時，玻璃體變性與滲出也是有區別的，診斷不一致的原因可能是計算機在深度學習過程中對于特殊病例及靜脈“串珠”樣改變、視網膜內微血管異常、玻璃體或視網膜前出血等病變學習程度不夠或者算法不精確導致，需要進一步完善。隨著技術的進步，在未來人工智能診斷必將更加精準，朝著集圖片判讀、病因分析、治療方案提供為一體的方向發展。
綜合人工智能分析的結果，展開適時的治療，正是人工智能快速檢測的意義所在。針對無DR的患者，主要以控制血糖為主。有研究表明，2型糖尿病患者糖化血紅蛋白控制在6.5%以下，其發生微血管病變率可下降10%[13]；血糖水平每下降1 mmol/L，DR發生的危險性會下降21%[14]。對于輕中度非增生型DR，采用藥物保守治療；重度非增生型DR及高危增生型DR目前臨床上主要采用全視網膜激光光凝治療，可降低50%的DR患者視力嚴重喪失的可能[15]，同時輔以藥物聯合治療減少手術并發癥；對于伴有玻璃體積血、纖維增生、牽引性視網膜脫離等患者，保守治療難以奏效，常需行玻璃體切割手術。因此，DR的早期發現與診療，對于患者來說至關重要。雖然人工智能分析現階段不夠完善，需要進一步優化，但不可否認，人工智能分析為臨床眼底分析提供了一種新的方法，是未來醫療發展的一種趨勢。尤其對醫療資源水平落后的地區，對于DR的早發現、早治療有著重大的價值，希望人工智能技術能夠在未來醫療中發揮更大的價值。
糖尿病視網膜病變（DR）是糖尿病患者致盲的首要原因，早期篩查DR具有重要的臨床意義[1]。人工智能分析擁有大量數據資源，超越人類能力的精度、準確性和穩定性，同時節省人力資源等優點，在臨床醫學研究應用方面越來越廣泛。如，人工智能助力新型冠狀病毒肺炎胸部CT診斷，可有效提升工作效率，提高檢出率，減少患者等待時間，優化診斷流程[2]；人工智能應用于塵肺病的診斷預防，具有快速準確讀片的優點，可以起到早預防早治療的作用[3]。由此可見，人工智能必將在未來醫學中提供重要的輔助作用，甚至在某些方面替代醫生的工作。本研究采用人工分析與人工智能分析對糖尿病患者眼底照相顯示的眼底病變進行診斷與分期，進而驗證兩種方式的一致性，以期為臨床糖尿病患者眼底病變分析提供更為快捷有效的手段以及在一定程度上彌補醫師經驗不足而誤診的缺陷。現將結果報道如下。
1 對象和方法
本研究為經過鄭州大學第一附屬醫院倫理委員會審批（批準號：ZZUIRB2019-4552）的回顧性研究。所有患者均簽署書面知情同意書。
2018年5月到2019年5月鄭州大學第一附屬醫院內分泌科連續收治的糖尿病患者1053例2106只眼納入本研究。其中，男性888例，女性165例；年齡20～70歲，平均年齡53歲。糖尿病病程3～15年。所有患者均符合1999年WHO發布的糖尿病診斷標準[4]：（1）有糖尿病典型癥狀及隨機血漿葡萄糖濃度≥11.1 mmol/L；（2）空腹血漿葡萄糖濃度≥7.0 mmol/L；（3）口服葡萄糖耐量試驗2 h血糖≥11.1 mmol/L。
所有患者均采用日本Kowa無散瞳眼底照相機對糖尿病患者進行眼底檢查。該設備內置830萬像素專業CCD攝像頭，由9個內置固定燈拍攝標準位置周邊圖片，自動拼圖得到一張90°范圍眼底照片。對人工可以正常分析診斷的照片，采用上工眼科云網篩查平臺人工智能分析自動檢測滲出、出血、微動脈瘤等DR特質性病變，并根據DR國際分期標準[5]（表1）對圖像檢測結果進行自動分級。由兩位主治醫師及以上職稱的醫師進行人工分析，并由主任醫師進行審核，以保證人工分析的準確性。兩種分析方法分析結果存在差異時，以人工分析結果為標準。計算并對比兩種分析方法的一致率。一致率=（診斷結果相同眼數/總收集有效眼數）×100%。
表1
糖尿病視網膜病變分期
采用SPSS23.0軟件進行統計分析。對人工分析和人工智能分析結果進行Kappa一致性檢驗，Kappa值判斷標準：0.0≤κ＜0.2為一致性程度很差；0.2≤κ＜0.4為一致性較差；0.4≤κ＜0.6為一致性中等；0.6≤κ＜1.0為一致性較好[6]。P＜0.05為差異有統計學意義。
2 結果
2106只眼中，排除因病情嚴重人工無法智能識別的64只眼，最終納入分析2042只眼。
2042只眼中，人工分析結果顯示無明顯視網膜病變、輕度非增生期、中度非增生期、重度非增生期、增生期、高危增生期分別為1568、105、86、113、91、79只眼；人工智能分析結果顯示無明顯視網膜病變、輕度非增生期、中度非增生期、重度非增生期、增生期、高危增生期分別為1629、176、161、45、22、9只眼。人工分析與人工智能分析結果完全一致者1835只眼，占89.86%；分析有差異者207只眼，占10.14%（表2，圖1）。
圖1
糖尿病患者右眼眼底病變人工智能分析結果示意圖
表2
糖尿病患者眼底病變的人工分析與人工智能分析結果差異性
人工分析、人工智能分析對DR的診斷率分別為23.2%、20.2%，對非DR的診斷率分別為76.8%、79.8%（表3）。人工智能判讀符合度達87.8%。Kappa一致性檢驗結果顯示，人工分析和人工智能分析診斷結果呈中等一致性（κ=0.576，P＜0.01）
表3
糖尿病患者眼底病變的人工分析與人工智能分析結果交叉表
3 討論
據最新研究統計，我國糖尿病患病率大約為11.6%，最小患者的年齡僅7歲[7]。70%的糖尿病患者可出現全身小血管和微血管病變，引起白內障、青光眼、眼球運動障礙等一系列眼部疾病，其中最為嚴重的就是DR；并且，糖尿病病程越長，患者出現視網膜病變的幾率越大[8]。眼底檢查可及早發現早期微動脈瘤和點片狀出血等早期視網膜病變，采取激光光凝治療等措施可以有效延緩病變的發展。目前國內外已有多種篩查方法，如檢眼鏡、眼底彩色立體照相及熒光素眼底血管造影等[9]。眼底照相是一種客觀、方便且診斷符合率、靈敏度和特異性均較高的檢查，其操作簡單、安全快捷、經濟實用，可以準確反映DR的發展程度。但在眼底照相技術應用初期，對其檢查結果依靠人工分析，費時費力且結果準確性依賴于分析醫生的個人經驗水平，對診療帶來不穩定性。隨著人工智能技術的興起和廣泛應用，眼底照相的分析也引入了智能軟件進行分析。其優點有以下幾個方面：（1）提高閱片效率。其快速完成讀片給出診斷結果，甚至提供可供參考的治療方案。（2）準確率高。人工智能集成了成千上萬的病例及專家的診斷結果，通過大數據分析進行深度學習，對病情特征進行超精細分類，診斷準確性不再局限于個人經驗水平。本研究中采用的上工眼科云網篩查平臺是一家依照中國教育協會智能醫學專委會智能眼科學組起草并通過的《基于眼底照相的糖尿病視網膜病變人工智能篩查系統應用指南》[10]而建立的智能篩查平臺，采用計算機深度遷移學習及卷積神經網絡模型對大量眼底照片特征及診斷療法進行學習訓練，與國外Roshini等[11]利用優化的深度卷積神經網絡對DR進行自動診斷的研究中采用的算法較為相似。但目前國內人工智能的應用和發展與西方發達國家仍存在很大差距，性能方面還有待提升。這是因為人工智能是一個跨領域、多學科的產物，需要優秀的計算機硬件和軟件專家、醫學家、數學家等共同努力完成[12]。
本研究通過對1053例糖尿病患者眼底照相眼底病變人工分析和人工智能分析結果一致性的對比，發現人工分析與人工智能分析完全一致的比例為84.38%，呈中等一致性。其分析結果不一致主要表現為：（1）人工智能分析為點狀出血、滲出，而人工分析為正常。這說明人工智能較肉眼能識別更為細小的病變。（2）人工智能分析為玻璃膜疣，而人工分析為點狀滲出。玻璃膜疣與滲出是有區別的，滲出是來自視網膜，邊界相對銳利；而玻璃膜疣位于視網膜下，被視網膜色素上皮覆蓋，邊界就相對模糊，不易被發現，而人工智能可較好地分析出來。（3）人工智能分析為正常或玻璃體變性，而人工分析為點狀滲出或出血或微動脈瘤。這說明人工智能不能較細致地分析出微動脈瘤，大部分以有無滲出及出血取代。同時，玻璃體變性與滲出也是有區別的，診斷不一致的原因可能是計算機在深度學習過程中對于特殊病例及靜脈“串珠”樣改變、視網膜內微血管異常、玻璃體或視網膜前出血等病變學習程度不夠或者算法不精確導致，需要進一步完善。隨著技術的進步，在未來人工智能診斷必將更加精準，朝著集圖片判讀、病因分析、治療方案提供為一體的方向發展。
綜合人工智能分析的結果，展開適時的治療，正是人工智能快速檢測的意義所在。針對無DR的患者，主要以控制血糖為主。有研究表明，2型糖尿病患者糖化血紅蛋白控制在6.5%以下，其發生微血管病變率可下降10%[13]；血糖水平每下降1 mmol/L，DR發生的危險性會下降21%[14]。對于輕中度非增生型DR，采用藥物保守治療；重度非增生型DR及高危增生型DR目前臨床上主要采用全視網膜激光光凝治療，可降低50%的DR患者視力嚴重喪失的可能[15]，同時輔以藥物聯合治療減少手術并發癥；對于伴有玻璃體積血、纖維增生、牽引性視網膜脫離等患者，保守治療難以奏效，常需行玻璃體切割手術。因此，DR的早期發現與診療，對于患者來說至關重要。雖然人工智能分析現階段不夠完善，需要進一步優化，但不可否認，人工智能分析為臨床眼底分析提供了一種新的方法，是未來醫療發展的一種趨勢。尤其對醫療資源水平落后的地區，對于DR的早發現、早治療有著重大的價值，希望人工智能技術能夠在未來醫療中發揮更大的價值。
