人工智能糖尿病视网膜病变筛查系统与眼科医师诊断结果的一致性分析

目的　探讨人工智能糖尿病视网膜病变（diabetic retinopathy,DR）筛查系统与临床医师诊断的一致性。方法　收集2019年3月至2020年5月在十堰市太和医院眼科就诊的糖尿病患者325例（650眼）的眼科影像学检查资料,包括眼底彩色照相、黄斑区OCT、荧光素眼底血管造影（FFA）,由专家组和人工智能DR筛查系统分别给出诊断,专家组参考眼底彩色照相、黄斑区OCT及FFA检查结果做出诊断,人工智能DR筛查系统仅以眼底彩色照相结果作为诊断依据。以专家组诊断结果为标准,分析人工智能DR筛查系统诊断各级DR的敏感性、特异度、漏诊率和误诊率,对二者诊断结果的一致性行Kappa检验分析。结果　与专家组诊断结果相比,人工智能诊断有无DR的敏感性为94.78%,特异度为92.11%,二者诊断结果一致性分析的Kappa值为0.82（P<0.001)。与专家组诊断结果相比,人工智能诊断有转诊意义的DR的敏感性为93.75%,特异度为96.18%,二者对DR分期诊断的一致性分析的Kappa值为0.85（P<0.001)。结论　人工智能DR筛查系统与专家组诊断结果一致性高,具有较高的准确性和敏感度,可大规模用于DR的初级筛查工作。     

基于深度学习的DR筛查智能诊断系统的初步研究

目的：评估基于深度学习的糖尿病视网膜病变(diabetic retinopathy,DR)筛查智能诊断系统的应用价值。

方法：收集2017-01/06在我院就诊的糖尿病患者186例372眼,比较专家诊断及基于深度学习的人工智能诊断的应用情况,并比较其特异性和敏感性。

结果：专家诊断组显示42眼(11.3%)为无DR,330眼(88.7%)患有不同程度DR; 其中轻度非增殖型糖尿病视网膜病变(non-proliferative diabetic retinopathy,NPDR)者62眼(16.7%),中度NPDR者55眼(14.8%),重度NPDR者155眼(41.7%),PDR者58眼(15.6%)。而智能诊断结果显示38眼(10.2%)为无DR,44眼为PDR(11.8%),其他为不同分期NPDR。智能诊断系统与专家诊断结果DR一致性分析结果显示,高度一致性为309眼(83.1%),Kappa值为0.78。智能诊断灵敏度为0.82,特异性为0.91,Kappa为0.77(χ²=20.39,P<0.05)。

结论：基于深度学习的DR人工智能诊断系统能较好显示眼底病变的严重程度,有望为DR提供一种新的筛查工具。     

糖尿病视网膜病变的数码眼底照相筛查方法评价

目的 评估单视野和多个视野数码彩色眼底照相方法筛查早期糖尿病视网膜病变(DR)的价值.设计 前瞻性临床病例系列.研究对象 连续选择北京同仁医院糖尿病科门诊确诊的非增殖性糖尿病视网膜病变的糖尿病患者108例.方法所有病例均充分散瞳,分别进行单视野、双视野和6视野数码彩色眼底照相和荧光素眼底血管造影(FFA)检查.眼底病专科医师阅片进行诊断,以FFA诊断为标准.主要指标 各种视野眼底照相方法进行筛查诊断的敏感性、特异性及与FFA诊断结果的一致性.结果 以DRI期为筛查阈值时,单视野眼底彩色照相的敏感度、特异度、Kappa值分别为73.21%、88.64%、0.46;双视野眼底照相分别为75.00%、86.36%、0.47;6视野眼底照相分别为76.05%、87.80%、0.48.以DR2期为筛查阈值时,单视野眼底彩色照相的敏感度、特异度、Kappa值分别为72.46%、93.01%、0.68;双视野眼底照相分别为73.91%、93.01%、0.69;6视野眼底照相分别为75.36%、92.81%、0.70.单视野与6视野眼底照相诊断结果一致性Kappa值为0.97.结论 黄斑为中心单视野45°眼底照相可作为早期尤其是DR2期以上糖尿病视网膜病变的筛查方法.     

免散瞳眼底照相在糖尿病视网膜病变筛查中的应用分析

目的：观察并分析免散瞳眼底照相在糖尿病视网膜病变(DR)筛查中的作用,为临床筛查提供依据。

方法：选取我院2016-12/2017-11确诊为糖尿病(DM)患者120例240眼为观察对象,由同一操作者逐一进行免散瞳眼底照相、散瞳后7方位眼底照相及眼底荧光血管造影检查(FFA)。以糖尿病视网膜病变国际临床分级为标准,采取盲法由同一医师分别对以上三项检查进行阅片、分级并记录。最后以眼底荧光血管造影检查为金标准,分别对前两种方法与眼底荧光造影的结果进行对比性研究,计算每种方法对不同程度的DR的敏感度、特异度、Youden指数、Kappa值,筛选出简单易行、有效的糖尿病视网膜病变的筛查方法。

结果：通过眼底血管造影筛查出糖尿病视网膜病变168眼(70.0%),散瞳后眼底照相筛查出糖尿病视网膜病变160眼(66.7%),免散瞳眼底照相筛查出糖尿病视网膜病变156眼(65.0%)。不同方法筛查出的糖尿病视网膜病变分级结果基本一致,差异无统计学意义(P>0.05)。对不同程度糖尿病视网膜病变进行筛查时,免散瞳眼底照相组的敏感度和特异度分别为92.9%、90.3%,与散瞳后眼底照相组的结果无明显差异。与金标准组(FFA)比较,其Youden指数(83.14%)接近于1,结果可靠度高,Kappa=0.81,检验具有一致性。对中度非增殖期糖尿病视网膜病变进行筛查时,免散瞳眼底照相组的敏感度和特异度的分别是90.6%、95.5%,与散瞳后眼底照相结果无明显差异。与金标准组比较,免散瞳眼底照相的Youden指数为86.09%,结果可靠度高,Kappa=0.86,检验具有一致性。

结论：免散瞳眼底照相作为一种筛查糖尿病视网膜病变的简单、准确率高的可行性方法。此项检查简单易行,无风险,可培训专科技师进行多点操作,借助如今方便的网络传输图像至有经验的眼科医师阅片、诊断,方便快捷,让患者就近诊治,避免了来回奔波的辛劳,对社会具有积极的意义。     

广角数码儿童视网膜成像系统进行早产儿视网膜病变筛查研究

目的：探讨广角数码儿童视网膜成像系统( RetCamⅡ)进行早产儿视网膜病变( ROP)筛查的临床价值。
　　方法：选择2012-01/2015-12产科符合筛查标准的200例400眼早产儿采用RetCamⅡ进行ROP筛查,以双目间接眼底镜检查结果作为金标准,计算RetCamⅡ筛查早产儿ROP的价值。
　　结果：本次筛查200例400眼早产儿,双目间接眼底镜检查共检出ROP病变63眼,ROP患病率为15.8%,其中正常337眼、ROPⅠ期42眼、Ⅱ期14眼、Ⅲ期7眼、Ⅳ期0眼、Ⅴ期0眼;RetCamⅡ共计筛查出ROP病变64眼,其中误诊5眼、诊断级别降低6眼。 RetCam Ⅱ检出结果与双目间接眼底镜检查结果的一致性Kappa值为0.814( P<0.05)。 RetCam Ⅱ筛查早产儿 ROP 病变的灵敏度为93.7%、特异度为98.5%、漏诊率为6.4%、误诊率为1.5%、阳性预测值92.2%、阴性预测值98.8%。
　　结论：RetCam Ⅱ进行早产ROP筛查具有较高的临床实用价值。     

眼底荧光血管造影在糖尿病视网膜病变中的应用价值及特征分析

目的：研究并探讨眼底荧光血管造影(FFA)在糖尿病视网膜病变(DR)诊疗中的应用价值。

方法：选择2014-01/2018-02期间在我院住院且疑似发生视网膜病变的糖尿病患者130例,所有患者均接受眼底照相和FFA检查。以临床确诊结果为参照,计算眼底照相和FFA检查对DR的诊断灵敏度、特异度、准确性,并比较二者对不同程度DR的诊断符合率,分析DR的FFA检查特征,采用Kappa一致性检验对两种诊断方法与临床确诊结果之间的一致性进行分析。

结果：FFA检查对DR的诊断灵敏度、特异度、准确性分别为96.8%、97.1%、96.9%,均高于眼底照相(P<0.05)。FFA检查对DR轻度、中度、重度的诊断符合率分别为97.1%、97.0%、96.4%,均高于眼底照相,但差异均无统计学意义(P>0.05)。经Kappa一致性检验分析,FFA检查诊断结果与临床确诊结果之间的一致性良好,而眼底照相与临床确诊结果之间的一致性仅为中等。FFA检查结果显示,DR多发生于鼻侧象限,在距视盘中周部分布较多,可见视网膜内微循环异常,视网膜微血管瘤、出血点、静脉串珠、视网膜毛细血管无灌注区的数量和分布位置各有不同; 部分患者在出现视网膜微血管瘤、出血点之前,出现黄斑中心凹厚度增加、局灶性棉绒斑、局灶性视网膜毛细血管无灌注区等表现。

结论：FFA检查对DR的诊断灵敏度、特异度、准确性高,与临床确诊结果之间的一致性较强,对于眼底照相检查中的疑似病变诊断准确。     

采用国际新分类法调查糖尿病视网膜病变

目的采用2002年国际新分类法调查惠州市患有糖尿病居民中糖尿病视网膜病变(DR)患病情况.方法以自然人群为基础,对惠州市随机抽样进行糖尿病筛查,确诊者进一步进行 DR 的检查:散瞳后裂隙灯显微镜下 VOLK 前置镜检查眼底,对结果进行登记分级.结果糖尿病患者1921例中患有 DR 487例,轻度非增生性糖尿病视网膜病变(NRDR)228例,在 DR 患者患病率46.82%;中度 NPDR 158例,在 DR 患者患病率32.44%;重度 NPDR 61例,在 DR 患者患病率12.53%;增生糖尿病视网膜病变(PDR)40例,在 DR 患者患病率8.21%.糖尿病黄斑水肿(DME)患者171例,在 DR 患者中患病率35.11%,轻度 DME 79例,占46.20%;中度 DME 54例,占31.46%;重度 DME 38例,占22.34%.结论采用2002年国际新分类法筛查 DR 简便易行,有利于 DR的早期筛查和国际推广,有助于科学的评估 DR 进展,选择合理的治疗方法,有效地降低 DR 患者的致盲率.     

人工智能在眼底影像分析中的研究进展及应用现状

近年来，眼科人工智能(artificial intelligence，AI)迅猛发展，眼底影像因易获取及其丰富的生物信息成为研究热点，眼底影像的AI分析在眼底影像分析中的应用不断深入、拓展。目前，关于糖尿病性视网膜病变(diabetic retinopathy，DR)、年龄相关性黄斑变性(age-related macular degeneration，AMD)、青光眼等常见眼底疾病的临床筛查、诊断和预测已有较多AI研究，相关成果已逐步应用于临床实践。除眼科疾病以外，探究眼底特征与全身各种疾病之间的关系并据此研发AI诊断系统已经成为当下的又一热门研究领域。AI应用于眼底影像分析将改善医疗资源紧缺、诊断效率低下的情况，为多种疾病的筛查和诊断开辟“新赛道”。未来眼底影像AI分析的研究应着眼于多种眼底疾病的智能性、全面性诊断，对复杂性疾病进行综合性的辅助诊断；注重整合标准化、高质量的数据资源，提高算法性能、设计贴合临床的研究方案。     

糖尿病视网膜病变筛查方式探讨

目的:通过对散瞳直接眼底镜检查、免散瞳数码眼底照相及眼底荧光造影3种检查方法对可疑糖尿病视网膜病变患者进行检查和评估比较,优化检查程序和方法。方法:对2007-01/2009-01就诊我院门诊和住院确诊的264例糖尿病患者进行散瞳直接眼底镜检查、免散瞳数码眼底照相及眼底荧光造影检查。眼底病专科医师阅片进行诊断,以眼底血管荧光造影诊断为标准。主要指标散瞳直接眼底镜检查、免散瞳数码眼底照相方法进行筛查诊断的敏感性、特异性及与眼底血管荧光造影诊断结果的一致性。结果:以糖尿病视网膜病变Ⅰ期为筛查阈值时直接眼底镜检查和免散瞳眼底照相的敏感度分别是63.4%,86.8%,特异度分别是76.9%,92.3%,Youden指数分别是41.1%,79.1%,Kappa检验的一致性分别是41.9%,80.7%。以糖尿病视网膜病变2期为筛查阈值时,直接眼底镜检查和免散瞳眼底照相的敏感性分别是65.5%,93.1%,特异性分别是94.7%,97.4%,Youden指数分别是60.3%,90.5%,Kappa检验的一致性分别是39.1%,61.2%。结论:免散瞳数码眼底彩色照相可作为糖尿病视网膜病变Ⅱ期以上糖尿病视网膜病变优化筛查诊断方法。     

数码眼底照相对住院糖尿病患者筛查DR并早期干预的应用价值

目的：探讨数码眼底照相机对住院糖尿病患者筛查糖尿病视网膜病变(DR)并早期干预的临床价值。

方法：选取2015-01/2016-12在我院内分泌科住院的糖尿病患者130例260眼,进行数码眼底照相检查和FFA检查。

结果：数码眼底照相中NPDR 82眼,PDR 28眼。荧光眼底血管造影检查中,NPDR 89眼,PDR 29眼。与FFA检查的金标准结果比较,免散瞳数码眼底照相筛查DR的Kappa值为0.87(>0.61)。两种方法对不同病程分期DR的检出结果无差异(P>0.05)。病程>10a的糖尿病患者,DR的阳性率明显增高(P<0.05)。

结论：数码眼底照相对住院糖尿病患者行常规视网膜检查,是早期发现DR的有效方法,进行早期干预对降低DR的致盲率具有重要意义。     

Uso en la práctica clínica,de un método de cribado automatizado de retinopatía diabética derivable mediante un sistema de inteligencia artificial de diagnóstico

Background and objectiveTo compare the diagnostic performance of an autonomous diagnostic artificial intelligence (AI) system for the diagnosis of derivable diabetic retinopathy (RDR) with manual classification.Materials and methodsPatients with type 1 and type 2 diabetes participated in a diabetic retinopathy (DR) screening program between 2011-2012. 2 images of each eye were collected. Unidentifiable retinal images were obtained, one centered on the disc and one on the fovea. The exams were classified with the autonomous AI system and manually by anonymous ophthalmologists. The results of the AI system and manual classification were compared in terms of sensitivity and specificity for the diagnosis of both (RDR) and diabetic retinopathy with decreased vision (VTDR).Results10,257 retinal inages of 5,630 eyes of 2,680 subjects were included. According to the manual classification, the prevalence of RDR was 4.14% and that of VTDR 2.57%. The AI system recorded 100% (95% CI: 97-100%) sensitivity and 81.82% (95% CI: 80 -83%) specificity for RDR, and 100% (95% CI: 95-100%) of sensitivity and 94.64% (95% CI: 94-95%) of specificity for VTDR.ConclusionsCompared to the manual classification, the autonomous diagnostic AI system registered a high sensitivity (100%) and specificity (82%) in the diagnosis of RDR and macular edema in people with diabetes. Due to its immediate diagnosis, the autonomous diagnostic AI system can increase the accessibility of RDR screening in primary care settings.     

OCT影像人工智能读片与医生读片对识别年龄相关性黄斑变性的一致性分析

目的：探讨在临床进行年龄相关性黄斑变性(ARMD)患者眼底光学相干断层扫描(OCT)图像人工智能(AI)读片的可行性。

方法：收集2019-11/2021-11 上海市静安区市北医院眼科门诊患者1 579眼OCT图像共1 579张,并收集眼科医生及AI的读片结果。通过Kappa值进行无ARMD和有ARMD分类结果的一致性分析。

结果：两名眼科医生之间在无ARMD和有ARMD读片结果的Kappa值为0.934; AI结果与眼科医生在无ARMD和有ARMD读片结果的Kappa值为0.738。AI对ARMD识别的灵敏度为73.08%,特异度为95.07%,曲线下区域面积(AUC)为0.841。

结论：AI在基于OCT图像的ARMD识别上与眼科医生有较高的一致性,适用于基层医院完成对ARMD的早期筛查和早期转诊工作。     

Simultaneous screening and classification of diabetic retinopathy and age-related macular degeneration based on fundus photos—a prospective analysis of the RetCAD system

AIMTo assess the accuracy of an artificial intelligence (AI) based software (RetCAD, Thirona, The Netherlands) to identify and grade age-related macular degeneration (AMD) and diabetic retinopathy (DR) simultaneously based on fundus photos.METHODSThis prospective study included 1245 eyes of 630 patients attending an ophthalmology day-care clinic. Fundus photos were acquired and parallel graded by the RetCAD AI software and by an expert reference examiner for image quality, and staging of AMD and DR. Adjudication was provided by a second expert examiner in case of disagreement between the AI software and the reference examiner. Statistical analysis was performed on eye-level and on patient-level, by summarizing the individual image level-gradings into and eye-level or patient-level score, respectively. The performance of the RetCAD system was measured using receiver operating characteristics (ROC) analysis and sensitivity and specificity for both AMD and DR were reported.RESULTSThe RetCAD achieved an area under the ROC (Az) of 0.926 with a sensitivity of 84.6% at a specificity of 84.0% for image quality. On image level, the RetCAD software achieved Az values of 0.964 and 0.961 with sensitivity/specificity pairs of 98.2%/79.1% and 83.9%/93.3% for AMD and DR, respectively. On patient level, the RetCAD software achieved Az values of 0.960 and 0.948 with sensitivity/specificity pairs of 97.3%/73.3% and 80.0%/90.1% for AMD and DR, respectively. After adjudication by the second expert examiner sensitivity/specificity increases on patient-level to 98.6%/78.3% and 100.0%/92.3% for AMD and DR, respectively.CONCLUSIONThe RetCAD offers very good sensitivity and specificity compared to manual grading by experts and is in line with that obtained by similar automated grading systems. The RetCAD AI software enables simultaneous grading of both AMD and DR based on the same fundus photos. Its sensitivity may be adjusted according to the desired acceptable sensitivity and specificity. Its simplicity cloud base integration allows cost-effective screening where routine expert evaluation may be limited.     

Simultaneous screening and classification of diabetic retinopathy and age-related macular degeneration based on fundus photos—a prospective analysis of the RetCAD system

AIM: To assess the accuracy of an artificial intelligence (AI) based software (RetCAD, Thirona, The Netherlands) to identify and grade age-related macular degeneration (AMD) and diabetic retinopathy (DR) simultaneously based on fundus photos. METHODS: This prospective study included 1245 eyes of 630 patients attending an ophthalmology day-care clinic. Fundus photos were acquired and parallel graded by the RetCAD AI software and by an expert reference examiner for image quality, and staging of AMD and DR. Adjudication was provided by a second expert examiner in case of disagreement between the AI software and the reference examiner. Statistical analysis was performed on eye-level and on patient-level, by summarizing the individual image level-gradings into and eye-level or patient-level score, respectively. The performance of the RetCAD system was measured using receiver operating characteristics (ROC) analysis and sensitivity and specificity for both AMD and DR were reported. RESULTS: The RetCAD achieved an area under the ROC (Az) of 0.926 with a sensitivity of 84.6% at a specificity of 84.0% for image quality. On image level, the RetCAD software achieved Az values of 0.964 and 0.961 with sensitivity/specificity pairs of 98.2%/79.1% and 83.9%/93.3% for AMD and DR, respectively. On patient level, the RetCAD software achieved Az values of 0.960 and 0.948 with sensitivity/specificity pairs of 97.3%/73.3% and 80.0%/90.1% for AMD and DR, respectively. After adjudication by the second expert examiner sensitivity/specificity increases on patient-level to 98.6%/78.3% and 100.0%/92.3% for AMD and DR, respectively. CONCLUSION: The RetCAD offers very good sensitivity and specificity compared to manual grading by experts and is in line with that obtained by similar automated grading systems. The RetCAD AI software enables simultaneous grading of both AMD and DR based on the same fundus photos. Its sensitivity may be adjusted according to the desired acceptable sensitivity and specificity. Its simplicity cloud base integration allows cost-effective screening where routine expert evaluation may be limited.     

糖尿病患者眼底照相人工与人工智能分析结果比较

目的:对比人工与人工智能分析对糖尿病患者眼底照相眼底病变判别的一致性。方法:回顾性研究。2018年5月至2019年5月郑州大学第一附属医院内分泌科连续收治的糖尿病患者1053例2106只眼纳入研究。其中,男性888例,女性165例;年龄20~70岁,平均年龄53岁。所有患者均采用日本Kowa无散瞳眼底照相机进行眼底检查...     

不同程度糖尿病视网膜病变患者黄斑区血流的变化及意义:基于OCTA的评价

目的　光学相干断层扫描血管成像（OCTA）评价不同程度糖尿病视网膜病变（DR）患者黄斑区血流的变化及意义。方法　收集2018年8月至2020年8月在本院就诊的93例120眼2型糖尿病患者资料,其中无DR(NDR组)患者30例40眼、轻度非增生型DR（轻度NPDR组）患者32例40眼、中度NPDR（中度NPDR组）患者31例40眼;另选取同期在本院接受健康体检的正常体检者40名40眼为对照组。比较4组受试者浅层毛细血管丛（SCP）血流密度、深层毛细血管丛（DCP）血流密度、黄斑中心凹无血管区（FAZ）旁300 μm区（FD300）血流密度、FAZ面积、FAZ周长、非圆度指数（acircularity index,AI）;多元回归分析SCP血流密度、DCP血流密度、FD300血流密度、FAZ面积、FAZ周长、AI与DR病情的关系;绘制受试者工作特征（ROC）曲线分析OCTA检查指标对早期DR的预测效能。结果　与对照组比较,NDR组、DR组患者SCP血流密度、DCP血流密度均明显下降,DR组患者FD300血流密度也明显下降,FAZ周长、AI均明显增加（均为P<0.05）;且DR组患者SCP血流密度、DCP血流密度、FD300血流密度均低于NDR组,FAZ周长、AI均大于NDR组（均为P<0.05）;DR患者黄斑区SCP血流密度、DCP血流密度、FD300血流密度随DR分期增加而下降,FAZ周长、AI随DR分期增加而上升（均为P<0.05）。多元回归分析结果显示,SCP血流密度、DCP血流密度、FD300血流密度与DR病情严重程度均呈负相关,与FAZ周长、AI均呈显著正相关（均为P<0.05）;且各变量间不存在共线性。FD300血流密度预测早期DR的曲线下面积（AUC）最高（0.794）,敏感度、特异度分别为83.75%、66.25%;以AI变量的cut-off值为1.12,其预测早期DR的特异度（86.25%）最佳,敏感度为72.50%。结论　早期DR患者存在黄斑区FD300血流密度下降及FAZ周长、AI增加,上述OCTA参数与DR分期密切相关,可作为早期DR预测指标。     

基于深度学习的眼底疾病筛查诊断系统的初步研究

目的：评估基于深度学习的眼底疾病筛查人工智能诊断系统的应用价值。

方法：收集2018-07/12在我院就诊的患者1 345例2 690眼,通过分析比较眼科专家诊断及基于多层深度卷积神经网络学习的人工智能诊断系统的一致性,确定人工智能诊断系统的准确率、特异性和敏感性。

结果：人工智能诊断系统的准确率为62.82%,所纳入患者的诊断结果有1～5(1.38±0.67)个诊断,其中1个诊断的准确率为56.09%,2个诊断的准确率为77.96%,3个诊断的准确率为84.61%,4个诊断的准确率为86.95%,5个诊断的准确率为60.00%; 无明显异常及豹纹状眼底的一致性Kappa值分别为0.044、0.169, 敏感性分别为3.00%、99.6%,特异性分别为99.7%、14.2%,其余诊断的一致性Kappa值高达0.57～1.00,敏感性高达65.1%～100%,特异性高达93.0%～100%。

结论：基于多层深度卷积神经网络学习的人工智能诊断系统能较好地诊断眼底疾病,有望成为基层医疗的有效筛查工具。