人工智能系统DeepDR精准识别糖尿病视网膜病变

近日，上海交通大学附属第六人民医院内分泌代谢科、上海市研究所、上海市临床医学中心贾伟平教授课题组题为“A Deep Learning System for Detecting Diabetic Retinopathy Across the Disease Spectrum”（https：//doi.org/10.1038/s41467-021-23458-5）的研究成果在线发表于Nature子刊Nature Communications。该研究基于全球最大的眼底图像数据库，创新性研制迁移强化的多任务学习框架，构建了视网膜病变辅助智能诊断系统——DeepDR，实现了对视网膜病变从轻度到增殖期病变的全病程自动，并能对眼底图像的质量进行实时反馈以及眼底病变的识别分割。

糖尿病视网膜病变是糖尿病慢性并发症，长期高血糖环境会损伤视网膜血管，引起一系列眼底病变，例如微血管瘤、渗出、新生血管、黄斑水肿等。该病进展十分隐匿，初期患者通常没有任何症状，当出现可感知的视力受损时，病情往往已十分严重，可导致永久视力损伤甚至失明，给个人、家庭和社会造成沉重负担。根据《中国2型糖尿病防治指南》推荐，所有的2型糖尿病患者及病程5年以上的1型糖尿病患者每1~2年应行一次眼底摄片筛查，以便及早发现糖尿病视网膜病变并进行干预。然而，眼底摄片筛查的普及却困难重重。我国成年糖尿病人数高达1.298亿，全国注册眼科医生却仅4.48万，比例高达3000：1，DR筛查面临眼科医生不足的困境，且人工读片具有耗时较长、主观性较强（需要两到三名医生阅片复核）、对医生要求较高（对微血管瘤等轻度病变困难）的特点。

针对糖尿病视网膜病变筛查与防治的需要，该研究开发了糖尿病视网膜病变辅助智能诊断系统（DeepDR）。DeepDR基于迁移强化的多任务学习框架，通过对上海市加强公共卫生体系建设三年行动计划重大项目“上海市糖尿病预防和诊治服务体系建设”中的近70万张的眼底图片数据进行学习，使DeepDR能够像眼科医生一样对眼底照片进行视网膜病变诊断。DeepDR由多个交叉迁移强化的多任务学习卷积神经网络组成，包括三大功能：图像质量分析与实时反馈、病变检测和分级诊断。其中，图像质量分析模块可以给予摄片者关于图像质量所存在问题的实时反馈，可有效避免采集低质量无效图片，显着提高视网膜病变筛查的摄片效率；病变检测模块可以对视网膜特征病变实现自动识别和分割，精确识别微血管瘤、棉絮斑、硬性渗出和出血等病变；视网膜病变分级模块最后给出分级结果，精准区分从轻度到增殖期不同程度的视网膜病变。

相比既往研究，DeepDR在轻度视网膜病变中实现了高灵敏度和特异性诊断，且DeepDR不只是给出分级，而是提供视觉提示，帮助用户识别不同类型病变的存在和位置，使得其诊断过程更接近于眼科医生的思维过程。该系统将有助于减轻基层医生的诊断难度和工作负荷，在提高眼底摄片筛查的可及性和效率方面具有很大潜力，扩展了糖尿病慢病管理和精准防控的新路径，已在多家医疗单位应用于临床辅助。(Bioon.com）