晶状体混浊是否影响眼底照相深度学习(Deep Learning, DL)心血管病风险评分——白内障对基于眼底照片的深度学习心血管病(Cardiovascular Disease, CVD)风险评分的影响

《Asia-Pacific Journal of Ophthalmology》：Does lens opacity matter? The effect of cataract on deep learning based cardiovascular disease risk scores from fundus photos

　　

目的(Purpose)：探讨白内障(晶状体介质混浊)对用于心血管病(Cardiovascular Disease, CVD)风险预测的深度学习(Deep Learning, DL)模型输出结果的影响。 方法(Methods)：本研究为回顾性双队列研究，分析韩国汉阳大学九里医院(Hanyang University Guri Hospital, HUGH)行白内障手术患者的基线、术后1个月及术后6个月纵向队列眼底图像，以及新加坡眼科流行病学研究(Singapore Epidemiology of Eye Diseases, SEED)横断面验证队列图像。使用人工智能(Artificial Intelligence, AI)软件Dr.Noon CVD生成CVD风险评分。采用广义估计方程(Generalized Estimating Equation, GEE)模型评估纵向变化，采用多变量线性回归评估SEED队列中CVD评分与白内障手术的关系，并按糖尿病视网膜病变(Diabetic Retinopathy, DR)状态进行亚组分析。 结果(Results)：在纵向队列中，白内障术后1个月(β = +2.14; 95% CI, 1.28–3.01; P < 0.001)和6个月(β = +1.69; 95% CI, 0.82–2.56; P < 0.001)Dr.Noon CVD评分较基线显著升高。观察到与DR的显著交互作用，术后1个月交互项β = +3.02 (P = 0.001)，术后6个月交互项β = +4.78 (P < 0.001)。SEED队列中人工晶状体眼(pseudophakia)较有晶状体眼(phakic eyes)CVD评分更高(β = +2.60; 95% CI, 1.71–3.49, P < 0.001)，但白内障手术与DR状态的交互作用在SEED中未达统计学显著性(P = 0.451)。 结论(Conclusions)：白内障所致的介质混浊与深度学习衍生的CVD风险评分显著低估(attenuation)相关，尤其在合并DR的眼中更为明显。术后光学清晰度改善引起的评分升高，凸显了解读基于眼底照片的AI预测模型时必须考虑晶状体状态。

论文解读：《Does lens opacity matter? The effect of cataract on deep learning based cardiovascular disease risk scores from fundus photos》发表于《Asia-Pacific Journal of Ophthalmology》

一、研究背景与立题依据

眼底照相(fundus photography)传统上用于诊断糖尿病视网膜病变(Diabetic Retinopathy, DR)、年龄相关性黄斑变性等眼病，近年来发展出"眼omics(oculomics)"方法，通过量化视网膜微血管特征（小动脉变细、静脉扩张、迂曲度、微动脉瘤）来预测高血压、糖尿病、慢性肾病及心血管病(Cardiovascular Disease, CVD)。深度学习(Deep Learning, DL)模型可直接从标准彩色眼底照片预测CVD风险而无需额外检查，代表性产品Dr.Noon CVD（Mediwhale Inc.）基于逾20万张配对的冠脉钙化(Coronary Artery Calcium, CAC)评分的眼底照片训练，其预测效能媲美CT-derived CAC评分。然而，白内障诱导的介质混浊(media opacity)会使光线散射、降低图像对比度并遮挡微血管特征，模拟实验显示白内障明显削弱DR检测DL模型的诊断性能，但白内障对DL-based CVD风险评分的具体影响尚未明确。由于白内障在CVD高危的老年人群中高发，明确晶状体混浊是否及如何影响DL衍生CVD评分具有重要临床意义。因此研究人员旨在两个独立队列（韩国与新加坡）中评估白内障介质混浊对眼底照相DL衍生CVD风险评分（Dr.Noon CVD评分）的影响。

二、主要关键技术方法

研究人员采用回顾性双队列设计：（1）韩国汉阳大学九里医院(Hanyang University Guri Hospital, HUGH)纵向队列：连续纳入2018–2024年行白内障手术且拥有术前基线及术后1、6个月可分级眼底照的患者，排除既往眼内手术（白内障手术除外）、非白内障介质混浊、图像质量不合格及确诊CVD者，最终207例患者248眼。（2）新加坡眼科流行病学研究(Singapore Epidemiology of Eye Diseases, SEED)横断面复制队列：排除AMD、青光眼、高度近视及资料不全者，保留有白内障（未手术）或有白内障手术史者共2799人。CVD风险评分由Dr.Noon CVD软件（卷积神经网络提取视网膜特征输出0–100分，按<30.93低危、30.93–40.74中危、>40.74高危分层5年CVD风险）生成。HUGH队列采用广义估计方程(Generalized Estimating Equation, GEE)校正年龄/性别/DR及同一患者双眼相关性评估术后评分变化；SEED队列采用多变量线性回归校正人口学及代谢因素比较假晶体(pseudophakic)与透明晶体(phakic/cataractous)眼评分差异，均按DR状态分层并检验交互作用。生成显著图(saliency map)可视化模型关注区域。DR按国际临床DR严重程度量表(ICDR)或改良Airlie House标准分级。

三、研究结果

3.1. Baseline characteristics

HUGH队列共248眼（DR阳性72眼，DR阴性176眼），平均年龄68.8±8.8岁，男性44.35%。两组间基线Dr.Noon CVD评分（47.89±7.87 vs 47.26±7.91, P=0.572）、图像质量指标无显著差异。SEED队列2799人，平均65.7±8.4岁，白内障未手术1977人(70.6%)，人工晶体822人(29.4%)，含DR者358人。

3.2. Postoperative changes in image quality

HUGH队列白内障术后图像质量显著改善——Dr.Noon质量评分(Quality Score, QS，越低越清晰)下降，Topcon图像质量指数(Image Quality, IQ，越高越好)上升，术后1月最显著并持续至术后6月。

3.3. Postoperative changes in Dr.Noon CVD score in HUGH cohort

整体队列Dr.Noon CVD评分中位数基线48.14升至术后1月50.34及术后6月49.38（Friedman P<0.001），两两比较基线vs术后1月、基线vs术后6月均P<0.001。GEE模型显示术后1月较基线升高β=+2.14(95%CI 1.28–3.01, P<0.001)，术后6月升高β=+1.69(95%CI 0.82–2.56, P<0.001)。高龄、男性、DR的存在独立关联更高评分。约6.8%–7.2%患者发生中度→高度风险再分类。

3.4. Synergic effect of cataract and DR status on Dr.Noon CVD score

DR阳性眼术后评分升幅显著大于DR阴性眼——DR组术后1月β=+4.29(P<0.001)、术后6月β=+5.08(P<0.001)；非DR组术后1月β=+1.26(P=0.016)、术后6月β=+0.30(P=0.548无统计学意义)。GEE交互项证实DR显著修饰白内障手术效应：术后1月交互β=+3.02(95%CI 1.20–4.85, P=0.001)，术后6月交互β=+4.78(95%CI 2.99–6.56, P<0.001)。

3.5. Visualization of AI model focus with saliency maps

显著图显示术前白内障致介质混浊限制视野，模型注意力集中于视盘周围非特异性区域；术后介质清晰后，模型注意力转移至视网膜小动脉、出血、硬性渗出等已知CVD风险相关微血管特征区域，提示去混浊后AI能"解蔽(unmasking)"潜在病理改变。

3.6. Replication in SEED cohort

SEED多变量线性回归显示人工晶体眼较未手术白内障眼CVD评分显著更高(β=+2.60, 95%CI 1.71–3.49, P<0.001)，DR亦为强预测因子(β=+12.83, P<0.001)。分层分析DR亚组β=+5.03(P<0.001)、非DR亚组β=+2.29(P<0.001)，但交互项未达显著性(P=0.451)，可能与SEED为横断面设计、DR样本量较小及DR严重度分布差异有关。

四、讨论与结论总结

研究人员指出术后CVD评分升高最符合"去混浊后解蔽原有视网膜病变特征"的解释——人工晶体植入消除晶状体黄滤光及散射效应，使视网膜微血管架构（管径、迂曲度）、局灶性病变（微动脉瘤、出血）及神经视网膜结构改变更清晰被AI捕捉；显著图也支持此机制但非确证。DR组评分增幅更大且与基线无差异但术后分化，支持解蔽假说——DR是已确立的CVD强危险因素。该效应对临床解读提出警示：有晶状体混浊（白内障）时DL-derived CVD评分可能被低估，尤其合并DR时，建议在AI软件中集成介质混浊量化与校正模块，或结合可解释性AI技术辅助判断。局限性包括SEED横断面非自身前后对照、缺乏主要不良心血管事件(Major Adverse Cardiovascular Events, MACE)硬终点验证、只纳入各时间点均可分级图像可能低估重度白内障效应（排除眼LOCS III各分项更重）、未评估核混浊(Nuclear Opalescence, NO)分级、跨设备成像异质性。结论为：白内障所致介质混浊与DL-derived CVD风险评分显著低估(attenuation)相关，术后光学清晰度改善引起评分升高，强调解读眼底based AI预测模型时必须考量晶状体状态(lens status)，未来AI模型设计应纳入晶状体状态及图像质量指标。

原文结论翻译(Conclusions)：白内障诱导的介质混浊与深度学习衍生的心血管病风险评分显著衰减(attenuation)相关联，尤其在患有糖尿病视网膜病变(DR)的眼中更为显著。去除介质混浊后评分的这种偏移，凸显了在解读基于眼底照片的人工智能(AI)预测模型时考虑晶状体状态(lens status)的关键必要性。