利用深度学习从连续拍摄的视盘照片中检测结构性青光眼进展

《Ophthalmology Glaucoma》：Detection of Structural Glaucoma Progression with Deep Learning on Serial Optic Disc Photographs

青光眼进展的深度学习模型研究通过序列性眼底盘照片检测，临床评估22%病例进展，模型AUC为0.821，准确率72%，灵敏度87%，特异度68%，验证了DL模型在青光眼进展检测中的临床价值。

　　

Vahid Mohammadzadeh | Tyler Davis | Esteban Morales | Diana Salazar Vega | Daniela Khaliliyeh | Maral Namdari | Zhe Fei | Fabien Scalzo | Kouros Nouri-Mahdavi | Joseph Caprioli

加利福尼亚大学洛杉矶分校David Geffen医学院Stein眼科研究所青光眼科

摘要

目的

设计一个监督式深度学习（DL）模型，利用连续的眼底照片（DPs）来检测青光眼的进展。

设计

这是一项回顾性纵向队列研究。

参与者

研究纳入了1,510只眼睛（916名患者），这些患者都有至少2年的随访记录，每只眼睛有2对眼底照片。

方法

由2名眼科医生对眼底照片的纵向序列进行评估，判断是否存在进展或稳定情况，任何分歧由2名青光眼专家进行裁决。采用自动裁剪技术，以减少不相关信息的影响。数据集被分为训练集、测试集和验证集，比例为80/10/10。设计了一个双卷积神经网络（CNN），用于评估基线和最终的眼底照片，以检测青光眼的进展。

主要结果

检测青光眼进展的接收者操作特征曲线下面积（AUC）；与临床分类结果相比，自动分类的灵敏度和特异性。

结果

基线视野平均偏差（±SD）为–4.6（±6.1）dB。根据眼底照片的临床评估，22%的眼睛出现了恶化。最终深度学习模型检测青光眼进展的AUC（95% CI）为0.821（0.764-0.887），总体分类准确率为72%（66%-88%），灵敏度和特异性分别为87%（60%-95%）和68%（61%-93%）。

结论

我们的双卷积神经网络模型能够以具有临床意义的准确率检测青光眼的进展。深度学习作为辅助方法，在临床决策中检测青光眼结构进展方面显示出巨大潜力。

引言

青光眼是一种进行性视神经病变，如果治疗不当，可能导致严重的视力损害或失明。¹及时检测青光眼的进展有助于适当调整治疗方案并预防视力丧失。视网膜神经节细胞（RGC）轴突在筛板层的进行性损伤被认为是导致眼底特征性结构变化的主要因素，其中最显著的变化是神经视网膜盘边缘的逐渐变薄。^{2, 3}多种成像技术，如眼底摄影、扫描激光检眼镜和光学相干断层扫描，已被用于检测这种结构变化。 连续眼底摄影是一种长期使用的方法，用于检测进行性青光眼损伤，尤其是在早期至中度严重的病例中。^{4, 5, 6}然而，基于连续眼底照片的青光眼恶化评估存在缺点：耗时、需要经验、具有主观性，并且即使在经验丰富的青光眼专家之间也存在较大的观察者间差异。^{7, 8, 9, 10, 11, 12}因此，眼底摄影在青光眼患者的护理中仍未得到充分应用。另一方面，与其他成像设备相比，眼底摄影易于获取、操作相对简单、不需要复杂的分析软件，且可以使用便携式非散瞳相机进行拍摄，因此在“低技术”环境中是一个可行的选择。⁵此外，与其他技术不同，眼底摄影为临床医生提供了一个稳定的平台，可以在患者的一生中进行比较，因为它不受快速变化的技术或设备的影响。 最近计算能力的提升和大型临床数据库的普及，激发了对医疗领域人工智能方法的极大兴趣。^{13, 14, 15}特别是深度学习（DL）方法在多个医学领域（包括眼科）已被证明具有强大的能力，至少与临床判断相当。^{16, 17, 18, 19, 20, 21, 22, 23}多项关于深度学习模型检测青光眼的研究表明，这些模型具有很高的鉴别能力。^{16, 17, 18, 20, 21}也有一些研究探讨了深度学习模型在检测青光眼进展方面的性能。^{24, 25, 26, 27, 28, 29, 30, 31}在最近的一项研究中，我们展示了深度学习模型能够预测青光眼的进展。²⁹目前还没有研究将人工智能模型的性能与仅依赖眼底照片的临床医生判断结果进行比较。本研究的目的是设计一个基于临床医生对眼底照片纵向评估的监督式深度学习模型，用于检测青光眼的进展。

方法

本研究招募了来自加利福尼亚大学洛杉矶分校（UCLA）Stein眼科研究所临床数据库的患者，这些患者符合纳入标准，并在1998年至2019年间接受了检查。本研究是一项回顾性观察性研究，遵循了《赫尔辛基宣言》和《健康保险流通与责任法案》（HIPAA）的规定，并得到了UCLA人类研究保护计划的批准。所有患者数据均已去标识化。

结果

本研究共纳入了1,510只眼睛（916名患者）的3,200对眼底照片。表1显示了研究样本的人口统计学和临床特征。基线时的平均年龄（±SD）为64.0岁（12.2岁），平均随访时间为10.2年（±6.4年），其中进展性眼睛的随访时间明显长于稳定性的眼睛（13.6年[7.5年] vs 9.2年[5.7年]，P < 0.001）。根据眼底照片的临床评估，332只眼睛（22%）出现了进展。

讨论

我们设计并训练了一个深度学习模型，仅基于眼底照片的纵向序列来检测青光眼的结构性进展。我们将经验丰富临床医生的判断结果作为真实标准。最终模型能够以具有临床意义的准确率（AUC = 0.82）区分进展性和稳定性眼睛。在外部数据集上重新验证后，我们提出的深度学习模型可以临床应用，作为辅助软件或自主软件（SaMD），用于特定情况。