点击音频可阅读全文
老年人的视力丧失是一个主要的医疗保健问题：到65岁时，约有三分之一的人患有视力下降疾病。与年龄相关的黄斑变性（AMD）是发达国家失明的最常见原因。在欧洲，年龄在60岁以上的人中约有25％患有AMD。“干燥”形式在65岁以上的人群中相对常见，通常只会造成轻微的视力丧失。但是，约有15％的干性AMD患者会继续发展为一种更严重的疾病-渗出性AMD或exAMD-可能导致快速永久性失明。幸运的是，有些疗法可以减缓进一步的视力丧失。尽管目前没有预防性疗法，但正在临床试验中进行探索。因此，exAMD出现之前的时期可能代表着治疗创新的关键窗口：我们能否预测哪些患者将进展为exAMD，并帮助预防视力丧失甚至发生？
在我们发表在《自然医学》上的最新工作中，我们与Moorfields医院和GoogleHealth合作，整理了眼视网膜图像的数据集，训练了可以预测exAMD发育的人工智能（AI）系统，并进行了一项研究与专家临床医生比较评估我们的模型。我们证明我们的系统在预测未来6个月内眼睛是否会转换为exAMD方面具有与临床医生相同或更好的性能。最后，我们探讨了该系统的潜在临床适用性。我们的贡献凸显了在AI疾病预防研究中使用AI的潜力。
Moorfields医院AMD数据集
我们使用Moorfields患有exAMD的Moorfields患者的一只眼睛进行匿名视网膜扫描的数据集，而另一只眼睛处于发展exAMD的高风险中。其中包括伦敦七个不同Moorfields站点的2,名患者，代表了不同性别，年龄范围和种族。医院接受治疗，并且每次访问都要对双眼进行高分辨率的三维光学相干断层扫描（OCT）成像。exAMD的开发时间与诊断和治疗之间通常会有所延迟。为了解决这个问题，我们与视网膜专家合作，审查了每只眼睛的所有扫描，并指定了exAMD首次出现时的扫描。
培训AMD预警系统
我们的系统由两个深度卷积神经网络组成，这些神经网络以高维体积眼部扫描作为输入，其中每次扫描均包含万个三维像素（体素）。在我们之前的工作中（现在与GoogleHealth继续合作），我们开发了一种模型，能够将这些眼部扫描分为13种解剖学类别。分割后的数据与原始扫描数据结合在一起，均用作预测模型的输入，该模型经过训练可以估计患者在未来六个月内另一只眼睛转换为exAMD的风险。
图1：用于预测EXAMD的AI系统。来自原始和分段视网膜视网膜的预测结合起来可以计算AMD在6个月内进展的风险。
两阶段系统的好处在于，它为AI提供了眼图扫描的不同视图。图像的解剖分割有助于系统根据已知的解剖学指标（如玻璃疣（少量脂肪沉积物）或视网膜色素上皮的丢失（有助于进食和保护视网膜的其他层））学习如何对风险建模。提供原始的眼睛扫描结果可以使模型学习发现可能会成为潜在风险因素的其他细微变化。最后，该系统结合了从这些扫描中提取的信息，以预测在接下来的6个月内何时以及是否将发展为exAMD。我们选择了这个时间窗口，以使系统能够提前至少两个随访间隔（假设最大随访间隔为3个月）。
临床专家对未来预测的基准
建立专家的人类绩效基准以比较我们的系统与临床标准的性能非常重要。但是，对exAMD的预测并不是临床医生的日常任务，因此目前尚不清楚该任务是否可行。为了对此进行调查，我们与六位视网膜专家进行了一项研究-三位眼科医生和三位验光师，每位均具有至少十年的经验-预测在接下来的6个月内眼睛是否会转换为exAMD。尽管任务新颖，专家的表现胜过偶然的尝试-但是任务艰巨，评估之间存在很大差异。我们的系统在预测exAMD进展方面的表现与专家一样好，并且在某些情况下要优于专家，同时与彼此的专家相比，在与每个专家一致的地方，变异性较小。
“AMD是一种极为复杂的疾病，深刻影响着全球数百万人的生活。通过这项工作，我们还没有解决AMD...但是我认为我们只是增加了另一个难题。”
梨基恩NIHR临床科学家
可视化疾病进展
仅凭系统提供预测可能还不够：临床医生还可以理想地寻求有关预测的解剖学基础的信息，这可能对进一步解释（例如，用于设计研究或考虑治疗）具有重要意义。我们系统的好处是，它可以自动将每次扫描细分为已知类型的组织。提取这些解剖和病理特征提供了一种系统的方法来可视化这些组织随时间的变化。我们的系统给出的风险评分与时间上的解剖变化相吻合，并且一起提供了更丰富的exAMD转换图。
图2：例行患者超过13个月的常规监测示例。图像的前几行是10月原始示波器，中间是我们系统输出的不完整分节，而下行是分节的俯视图-进一步了解组织如何随时间变化（包括残损）（PED），血管色素上皮分离术（FIPRO。PED），视网膜下超反射材料（SHRM）和视网膜下液（SRF）。下图显示了患者的风险水平时间表。在每个监视点，系统都提供一种度量标准，即视网膜在接下来的6个月中进展到超前，而真正的6个月窗口则以粉红色表示。通过调整该度量的阈值，该系统可以以灵敏度和特异性的折衷来预测转换。根据所选择的风险阈值，该模型成功预测出，在眼睛显示出EXAMD的明确迹象之前，眼睛至少会进行2次访问。
远见卓识
我们很高兴能够开发出可以帮助早期发现视网膜疾病并提供对疾病进展的临床了解的系统来支持临床医生和研究人员。这样的预测系统可用于通知适当的随访间隔，以有效管理高危患者。我们的工作建立在有前途的工作基础上，该工作基于视网膜照片和OCT扫描为exAMD开发预测模型。自年开始与Moorfields医院合作以来，我们发表了两项有希望的研究报告，着重强调了AI在改变视网膜医疗保健方面的潜力。
但是，我们知道还有很多工作要做-该工作尚未代表可以在常规临床实践中实施的产品。尽管我们的模型可以比临床专家做出更好的预测，但是要让此类系统在临床环境中发挥作用，还有许多其他因素需要考虑。虽然该模型是在欧洲最大的医院的人群代表那里进行训练和评估的，但在人口统计学差异很大的情况下，还需要进行其他工作来评估绩效。最近一项研究在临床环境中使用不同的AI系统的研究强调了在实践中此类系统的一些社会技术问题。另一个难以解决的问题是，任何预测系统都会有一定的误报率：也就是说，当发现患者患有某种疾病或预计会发展出他们实际上没有的疾病时。对于没有真正风险的患者，在预警循环中添加不精确的AI系统的权衡可能不必要地付出高昂的代价，并且在临床研究中应谨慎考虑如何实际使用此类系统。在本文中，我们提出了两个系统工作点来平衡灵敏度（衡量疾病正确识别疾病的程度）和特异性（衡量假阳性率有多低的指标）。例如，在90％的特异性下，灵敏度达到了34％，这意味着该系统在6个月内继续进行的扫描中，有三分之一正确地识别了进展。这可以精确地识别出许多高风险患者，其精确度足以为研究减轻视力丧失和改善患者预后的新治疗策略提供参考。
我们要感谢Moorfields医院以及帮助整理数据并参与我们基准研究的临床医生。请参阅本文以获取所有认可以及有关该工作的更多详细信息。此外，我们已将模型代码开源，以供将来研究使用，Moorfields将通过RyanInitiativeforMacularResearch使该数据集可用。
扫描下方
转载请注明：http://www.ynyunyun.com/smhn/4524.html
当前位置： 视网膜病变能治好吗 > 视网膜黄斑病变 > 使用AI预测视网膜疾病的进展
