《Photodiagnosis and Photodynamic Therapy》：Precise Staging of Diabetic Retinopathy Through Machine Learning Analysis of Leakage Source Characteristics: A Radiomics-Driven Approach Integrating OCT-A and FFA
编辑推荐：
摘要：
评估视网膜眼底图像以进行糖尿病视网膜病变（Diabetic Retinopathy, DR）评估，旨在降低糖尿病患者失明风险。为此，DR分期是DR筛查中具有挑战性的任务之一，包括评估疾病严重程度或进展。研究人员介绍了一种新颖的放射组学（Radiomic
摘要：
评估视网膜眼底图像以进行糖尿病视网膜病变（Diabetic Retinopathy, DR）评估，旨在降低糖尿病患者失明风险。为此，DR分期是DR筛查中具有挑战性的任务之一，包括评估疾病严重程度或进展。研究人员介绍了一种新颖的放射组学（Radiomics）和机器学习算法（Machine Learning Algorithm, MLA）框架，该框架分析了光学相干断层扫描血管成像（Optical Coherence Tomography-Angiography, OCT-A）图像中的局部血管渗漏源，使用荧光素眼底血管造影（Fundus Fluorescein Angiography, FFA）作为参考，以无创方式对DR进行分期。通过从渗漏易感区域提取23个优化特征，并采用X-Gradient（XGBoost）、Adaptive Boost（AdaBoost）和多层感知机（Multilayer Perceptron, MLP）分类器，该方法在区分中度非增殖性糖尿病视网膜病变（NPDR）与早期增殖性糖尿病视网膜病变（PDR）方面实现了前所未有的准确度。研究人员开发了一种新颖的放射组学和MLA框架，以从由相应FFA图像识别的OCT-A图像渗漏源区域中提取特征（血管特征、基于图像的特征和临床特征）。创建了XGBoost、AdaBoost、MLP分类器以评估其对不同DR分期的诊断准确性。通过多项指标（准确度、精确度、召回率、AUC、灵敏度、特异度）全面评估MLA性能，并通过混淆矩阵（Confusion Matrix, CM）和受试者工作特征（Receiver Operating Characteristic, ROC）曲线进行可视化，以确保稳健的临床适用性。研究纳入了99名患者和179张图像的数据集。对于DR分期，仅使用所有基于图像的特征时，XGBoost分类器观察到了最高的准确度（96.6±1.4% [95% CI: 93.9?99.3%]）和AUC（98.9±0.5%）。MLP在血管和临床特征方面表现更好（准确度：92.5±3.2% [95% CI: 86.2?98.8%]，AUC：95.2%）。熵（Entropy）、Haralick特征、灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）、偏心率（Eccentricity）、血管分支、血管密度、迂曲度（结合几何分析和小波变换）、分形维数分析（结合盒计数和基于小波的方法）以及空腹血糖在DR各分期中均为特别显著的区分特征。该方法识别了独特的血管和纹理生物标志物——包括混合分形维数、血管迂曲度和Haralick特征——这些标志物能有效区分DR分期，同时为渗漏易感区域微血管重塑的病理生理学提供了新的见解。通过将无创OCT-A与渗漏特异性评估相结合，该方法为早期检测、进展预测和个性化DR管理提供了一种临床可行的工具。尽管受限于黄斑中心扫描以及排除了极早期/晚期阶段，研究结果为多中心、更宽视野的未来研究奠定了基础。这项工作代表了迈向AI增强眼科学的重要进展，为糖尿病眼病中的可操作诊断范式铺平了道路。
论文解读：基于OCT-A与FFA整合的放射组学机器学习糖尿病视网膜病变精准分期研究
研究背景与意义
糖尿病视网膜病变（Diabetic Retinopathy, DR）是糖尿病最常见的微血管并发症之一，也是全球工作年龄人群视力丧失和失明的主要原因。随着糖尿病患病率的增加，DR给医疗保健系统带来了沉重负担。早期检测和及时干预，尤其是在疾病早期阶段，对于防止进展和降低视力丧失风险至关重要。血管渗漏是DR进展的关键指标之一，由视网膜血管损伤引起，在DR不同分期的分类和发病机制中起着核心作用。DR主要分为非增殖性糖尿病视网膜病变（Non-Proliferative Diabetic Retinopathy, NPDR）和增殖性糖尿病视网膜病变（Proliferative Diabetic Retinopathy, PDR），各阶段血管渗漏的程度和模式各异，这些差异决定了适当的治疗策略。
目前，血管渗漏评估依赖多种成像技术。荧光素眼底血管造影（Fundus Fluorescein Angiography, FFA）仍是直接可视化渗漏的金标准，但其具有侵入性，存在过敏性休克风险，且需要主观解读。光学相干断层扫描（Optical Coherence Tomography, OCT）通过可视化糖尿病黄斑水肿中的液体积聚提供间接证据。光学相干断层扫描血管成像（Optical Coherence Tomography-Angiography, OCT-A）提供无创、高分辨率的血管绘图，但不能直接可视化渗漏；不过，它能有效识别渗漏源，包括微动脉瘤、视网膜内微血管异常和新生血管，以及毛细血管无灌注区。这种诊断挑战阻碍了及时干预和个性化治疗，迫切需要通过人工智能（Artificial Intelligence, AI）驱动的方法来弥补无创成像与准确渗漏评估之间的差距。
近期，机器学习算法（Machine Learning Algorithms, MLAs）和放射组学（Radiomics）特征的发展为改善DR中渗漏生物标志物的检测提供了新途径。放射组学从医学图像中系统提取高维定量特征，将常规视觉数据转化为可挖掘的信息，捕捉人眼无法察觉的细微病理变化。基于MLA的方法能够分析大量成像数据并提取复杂模式，有望提高识别血管渗漏源的准确性和速度。然而，OCT-A直接检测血管渗漏和微动脉瘤的能力仍有限，且这些渗漏源区域内的定量微血管特征与不同DR分期之间的关系尚未得到充分研究。因此，临床研究继续依赖具有操作风险和相对低空间分辨率的侵入性FFA，限制了稳健的定量分析。
本研究的主要贡献是引入一种方法学转变，桥接解剖与功能。研究人员并非提出替代的DR分期系统，而是旨在使用OCT-A建立一种无创、定量的FFA基于渗漏评估的替代方法。研究人员假设渗漏源区域包含细微的微结构和血管特征，尽管肉眼无法察觉，但可通过应用于OCT-A图像的放射组学框架捕获。通过使用FFA作为参考标准，该方法能够从无创模态中客观量化与渗漏相关的生物标志物。具体而言，研究利用FFA成像准确定位血管渗漏源区域，从相应的OCT-A区域提取全面的基于高维放射组学、血管和图像的特征，并利用先进的特征选择和MLA技术识别与渗漏相关的最小、可解释的生物学标志物集。通过强调病变水平表征而非全局视网膜分期，该框架提供了具有临床意义的见解，有潜力减少对有创FFA操作的依赖，实现疾病进展和治疗反应的客观监测，并增强对糖尿病视网膜病变潜在病理生理机制的理解。该论文发表在《Photodiagnosis and Photodynamic Therapy》（光诊断与光动力疗法）。
主要关键技术方法
研究人员纳入了99名DR患者（共179张眼级图像，来自伊朗马什哈德Khatam眼科医院视网膜门诊，2022年11月至2023年6月），由三名专家眼科医生独立诊断。排除标准包括年龄相关性黄斑变性、高度近视、既往玻璃体切除术或激光光凝、葡萄膜炎、视网膜炎、显著屈光介质混浊及视网膜静脉阻塞或玻璃体黄斑牵引综合征相关的黄斑水肿。FFA成像使用Heidelberg Spectralis设备（55度视野），OCT-A扫描使用Optovue AngioVue系统（6×6 mm扫描网格，质量指数>6/10）。关键技术方法包括：1）使用i2k Align Retina软件注册早期、晚期FFA和OCT-A图像；2）通过早期和晚期FFA相位比较分割血管渗漏起源，并使用3D-Slicer软件轮廓化；3）使用CLAHE（限制对比度自适应直方图均衡化）、Frangi滤波、匹配滤波、Hessian滤波、RMSHE（递归均值分离直方图均衡化）、离散小波变换和深度去噪卷积神经网络（DnCNN）进行图像增强；4）通过减影早期和晚期FFA图像提取FFA中的渗漏；5）提取三类特征：19个临床特征（年龄、性别、糖尿病病程、血糖、HbA1c、眼压等）、22个血管特征（血管密度、分形维数FD结合盒计数与小波、血管迂曲度VT结合几何与小波、分支、直径等）和87个基于图像的特征（Canny、Roberts、Sobel、Prewitt、高斯、中值、Gabor、方差、GLCM、局部二值模式LBP、Haralick、局部熵、面积、周长、偏心率等）；6）采用互信息（Mutual Information, MI）和随机森林（Random Forest, RF）重要性混合特征选择，保留23个特征（5临床、10图像、8血管）；7）使用患者分组的嵌套五折交叉验证，SMOTE（合成少数类过采样技术）处理类别不平衡，应用XGBoost（Extreme Gradient Boosting）、AdaBoost（Adaptive Boosting）和MLP（Multilayer Perceptron）分类器进行多分类DR分期（中度NPDR、重度NPDR、极重度NPDR、早期PDR）；8）使用准确度、精确度、召回率、AUC、灵敏度、特异度、混淆矩阵（CM）和ROC曲线评估性能，使用Kruskal-Wallis检验和FDR校正Mann-Whitney U检验进行统计分析。
研究结果
3.1. Demographic and clinical features（人口统计学和临床特征）
参与者年龄29-79岁，男性53名（平均56.2±9.6岁），女性36名（平均55.7±9.0岁）。DR严重程度分布为：8%中度NPDR，24%重度NPDR，16%极重度NPDR，50%早期PDR。临床特征如表1所示，女性体重略低、病程略长、视力略低，其他参数如眼压、空腹血糖两组相似。混合MI-RF特征选择从19个临床特征中识别出5个关键预测特征（图6），包括空腹血糖等，这些特征在不同DR阶段表现出强区分能力。
3.2. Vascular feature analysis: statistical differentiation and feature selection（血管特征分析：统计区分与特征选择）
从22个血管特征中，混合MI-RF方法识别出8个关键特征（图7），包括血管密度（Vessel Density, VD）、血管骨架（Vessel skeleton）、无灌注（Non perfusion）、血管分支（vessel Branch）、血管方向（vessel orientation）、分形维数（Fractal Dimension, FD）、血管像素（Vessel Pixel）和血管迂曲度（Vessel Tortuosity, VT）。图8显示了不同DR阶段渗漏源区域选定血管特征的平均值和标准差，表2和表3分别展示了p值和q值（FDR校正）。结果显示，从中度NPDR到极重度NPDR/早期PDR，VD、骨架VD增加，无灌注面积减少，分支增加（例如VD：中度vs重度 p=0.041，q=0.082；中度vs极重度 p=0.009，q=0.024；中度vs早期PDR p=0.004，q=0.016）；FD增加（中度1.61，极重度1.78，早期PDR 1.77），而VT在渗漏源区域内呈非显著性下降趋势。这些血管生物标志物在不同DR阶段间具有显著区分性，VD和分支等可作为疾病进展的早期指标。
3.3. Image-based Feature Analysis: Statistical Differentiation and Feature Selection（基于图像的特征分析：统计区分与特征选择）
从87个基于图像的特征中，混合MI-RF框架选出10个关键特征（图9），包括熵（Entropy）、Haralick-InfoMeasure Correlation、局部熵（Local Entropy）、均方根（Root Mean Square）、偏心率（Eccentricity）、能量（Energy）、GLCM-角二阶矩（Angular Second Moment, ASM）、LBP-方差（LBP-Variance）、Haralick-方差（Haralick-Variance）和面积（Area）。图10、表4和表5展示了均值、p值和q值。结果显示，从中度NPDR到更晚期，熵、Haralick特征、局部熵、均方根、能量、LBP方差、Haralick方差、面积和ASM（例如熵：中度vs重度 p=0.034，q=0.068；中度vs极重度 p=0.004，q=0.012；中度vs早期PDR p=0.001，q=0.006）多数显著增加或变化，偏心率减小（形状从细长到更圆形）。这些纹理和形态学特征有效区分DR分期，ASM下降表明纹理均匀性降低、异质性增加。
3.4. Performance evaluation of the DR staging model（DR分期模型的性能评估）
图11展示了MLP、XGBoost和AdaBoost的多分类性能（混淆矩阵和ROC曲线）。比较三种MLA的多个评估指标显示，XGBoost在使用“仅基于图像的特征”时达到最优性能：准确度96.6±1.4%（95% CI: 93.9?99.3%），MCC（Matthews Correlation Coefficient）95.5±1.9%，特异度98.9±1.9%，精确度96.8±1.6%，灵敏度96.4±1.9%。MLP在血管特征上表现最好（准确度92.5±3.2%，MCC 90.1±3.8%）。AdaBoost在所有特征上表现最佳（准确度95.0±1.5%，MCC 95.3±2.2%）。所有模型测试性能匹配或超过训练性能，表明无过拟合，AUC>0.95，特异度>0.94，证明在多类DR分类中的稳健性。
讨论与结论总结
讨论部分指出，研究人员对OCT-A图像中渗漏源区域的靶向分析，结合高级图像处理和ML技术，揭示了DR不同阶段视网膜血管结构重塑的重要见解。与仅使用基于图像统计和临床特征区分患者与健康人的研究不同，本研究利用从渗漏源区域（通过结合FFA和OCT-A方法）提取的血管、完整基于图像和临床特征，准确分类DR阶段。这是已知首个采用全面放射组学框架并实现DR关键阶段的自动检测的研究，推进了这一近期开发的无创视网膜成像技术在DR诊断中的应用。通过关注活跃渗漏区域（通过FFA图像识别），研究人员证明局部放射组学特征的模式不同于全局视网膜变化，为早期检测和疾病监测提供了更高敏感性。
全球OCT-A研究一致报告由于DR进展期间广泛血管脱落导致FD降低，而研究人员对渗漏源区域的聚焦分析显示FD显著增加（从中度NPDR的1.61到极重度NPDR的1.78和早期PDR的1.77），表明尽管视网膜其他部位总体毛细血管丢失，但局部缺氧导致代偿性血管生成伴随血管复杂性和分支增加。混合FD是DR分期的最强预测因子之一。VT通常被认为是DR进展的关键生物标志物（全球迂曲度增加），但本研究特定检查渗漏源区域内的VT，观察到这些局灶渗漏区域内VT呈下降趋势（无统计显著性），表明空间异质性：虽然DR通常显示全局血管迂曲度增加，但渗漏易感区域实际上显示迂曲度降低，为局部血管病理提供了新见解。VT单独不能有效区分DR阶段，需多维方法结合多个血管放射组学特征以实现优越分类准确性。
所有算法中，整合所有特征类型或专用图像处理特征一致产生最优性能指标；仅临床和血管特征产生较低结果，突出全面特征整合或复杂图像处理方法对最大诊断准确度的关键重要性。研究揭示DR进展期间渗漏区域显著血管重塑：VD和骨架VD增加，无灌注面积从中度NPDR到晚期阶段减少，这些变化在极重度NPDR与早期PDR之间达到平台，提示这些指标可作为增殖阶段发展前的疾病进展早期生物标志物。渗漏区域的血管分支随DR进展显著增加（特别是中度NPDR与极重度NPDR/早期PDR之间，q=0.024），可能作为即将进展到增殖阶段的早期指标，是识别需密切监测高危患者的宝贵临床生物标志物。
ASM（纹理均匀性）从中度NPDR（0.920）到极重度NPDR（0.772）和早期PDR（0.782）显著降低（q=0.006和0.012），是量化病理视网膜变化导致纹理异质性增加的有价值成像生物标志物。Haralick纹理特征（特别是方差和InfoMeasure Correlation）在DR阶段间表现出显著改变，方差随进展增加反映组织异质性增加，InfoMeasure Correlation指示非线性像素依赖关系变化，有效区分中度NPDR与极重度NPDR和早期PDR。形态学特征显示渗漏源区域面积增加，偏心率减小（形状从细长到更圆形）。视力呈非线性模式：从中度NPDR到极重度NPDR显著下降，然后在早期PDR部分改善，可能反映代偿机制。
ML评估表明XGBoost在基于图像特征和所有选定特征上达到优越性能（准确度96.6±1.4%），而MLP在血管和临床特征上表现更好。这些确立了用于早期检测和监测DR进展的定量成像生物标志物，潜在改善临床管理和治疗策略。使用MLA允许分析图像数据中的复杂模式、识别关键特征并提高疾病诊断和监测的准确性，在预测疾病进展、评估血管渗漏严重程度和辅助治疗决策中起重要作用。
结论：本研究介绍了一种创新方法，通过放射组学和MLA分析渗漏源区域，实现DR分期的更精确和早期检测。通过关注局部渗漏区域而非全局视网膜评估，研究人员揭示了作为预测疾病进展和区分各DR阶段病理变化有价值生物标志物的独特模式。局限性包括单中心、中等样本量；无极早期NPDR或晚期PDR阶段；黄斑中心6×6 mm OCT-A扫描可能未捕获周边病理变化。未来多中心、更大样本量、扩展疾病谱和超广角成像研究将验证和扩展这些发现。
