学术研究 | 张秀兰教授团队成功研发用AI智能预测青光眼发病与进展
2022-06-06 10:28:08来源：眼界阅读：48次
2022年6月1日，中山眼科中心张秀兰教授团队基于眼底彩照预测青光眼发病及进展的长文论著在《Journal of Clinical Investigation》（JCI，即时影响因子19.3）在线刊登。这是该团队继在NPJ Digital Medicine、Ophthalmology、Medical Image Analysis等发表10篇高质量青光眼人工智能论著后的又一丰硕成果！
该研究主要分为两个部分：青光眼发病预测和进展预测。
发病预测（incidence prediction）指基于基线眼底彩照评估3-5年后受试者转为青光眼性视神经病变的风险。首先进行眼底彩照阅片，同一张图片的标签由三位医生投票决定，分为青光眼和非青光眼。阅片时图片时间顺序随机打乱。然后综合分析同一只眼的随访数据，分为两类：第一类为基线非青光眼而后续随访变为青光眼（阳性样本）；第二类为基线非青光眼且后续随访一直保持非青光眼（阴性样本）。基于上述数据，研究团队开发发病预测模型，基于基线眼底彩照预测未来发生青光眼的概率。发病预测模型由分割模块（Unet）与预测模块（ResNet）两部分组成（图1），基于10357只眼（112个阳性样本、10246个阴性样本）的数据进行训练。在包含1674只眼的两个外部队列中进行验证，取得了0.89和0.88的AUC值。
进展预测（progression prediction）指基于基线眼底彩照评估青光眼患者在未来3-5年发生视野进展的风险。该部分研究受试者均接受眼底彩照和视野配对检查。首先进行视野阅片，同一只眼的纵向视野报告由三位医生分别阅片，分为有视野进展（阳性样本）和无视野进展两组（阴性样本）。基于上述数据，研究团队开发进展预测模型，基于基线眼底彩照预测未来发生青光眼进展的概率。进展预测模型同样由分割模块（Unet）与预测模块（ResNet）两部分组成（图1），基于3003只眼（327个阳性样本、2676个阴性样本）的数据进行训练。在包含850只眼的两个外部队列中进行验证，取得了0.87和0.88的AUC值。
在进一步的可解释性分析中，热图表明人工智能模型预测风险时主要依据视盘边缘和盘沿上、下血管弓区域，与临床医生评估青光眼损伤时的关注点极为相似（图2）。
该研究首次在大样本纵向眼底彩照数据上实现了基于基线数据的青光眼病情预测。将基线眼底图像输入AI模型，即可得出健康受试者在未来3-5内发展为青光眼或青光眼患者视野进展的风险。该成果有三大亮点：1）首次实现基于AI的青光眼发病及进展预测，且算法在外部测试集依旧保持出色的预测性能；2）青光眼发病预测数据来自社区筛查队列，更好地反映青光眼在人群中的分布特征，加强了AI模型的泛华性和可靠性；3）AI模型成功地从基线眼底彩照中识别出视野恶化的高风险患者，实现了基于结构的功能预测；且AI模型对不同的青光眼亚型，包括POAG和PACG都表现了较高的预测准确性。
近年来，在中山眼科中心临床研究中心平台支持下，张秀兰教授团队从青光眼数据库构建到算法开发进行了深入探索，创建了目前国际上最完备的集青光眼预防、筛查、诊断一体化智能系统（iGlaucoma），发表了16篇相关高质量论著，10篇发表于中科院医学类1区期刊，包括NPJ Digital Medicine、Ophthalmology、Medical Image Analysis、IEEE Transactions on Medical Imaging等，申请中发明专利9项（含2项PCT专利）、获批1项，获批软件著作权1项。建立了全球最大的眼科多病种精标数据共享平台iChallenge（https://ichallenge.grand-challenge.com）支撑292篇科研论文发表（截至2022年4月26日），团队牵头制定我国首个关于眼底彩照数据质量控制规范的团体标准《眼底彩照标注与质量控制规范（T/CAQI166-2020）》并在WHO-ITU立项（编号SG16-TD227/WP2），为规范新兴的眼科AI发展做出了重要贡献。未来团队将继续探索应用AI技术简化、统一青光眼诊疗流程，实现青光眼诊疗标准化、数字化、智能化。
该论著第一作者为李飞（中山眼科中心，排名第一）、苏远东（四川大学）、林凤彬（中山眼科中心）、李志焕（澳门科技大学）；张秀兰（中山眼科中心，最后通讯作者）、张康（澳门科技大学）为并列通讯作者。中山大学中山眼科中心、眼科学国家重点实验室及广东省眼部疾病临床医学研究中心为第一单位。国内23家单位共28个研究者共同参与了此项研究。
中山眼科中心为第一单位、第一作者和最后通讯作者
发表在JCI上的青光眼人工智能长文论著
该研究主要分为两个部分：青光眼发病预测和进展预测。
发病预测（incidence prediction）指基于基线眼底彩照评估3-5年后受试者转为青光眼性视神经病变的风险。首先进行眼底彩照阅片，同一张图片的标签由三位医生投票决定，分为青光眼和非青光眼。阅片时图片时间顺序随机打乱。然后综合分析同一只眼的随访数据，分为两类：第一类为基线非青光眼而后续随访变为青光眼（阳性样本）；第二类为基线非青光眼且后续随访一直保持非青光眼（阴性样本）。基于上述数据，研究团队开发发病预测模型，基于基线眼底彩照预测未来发生青光眼的概率。发病预测模型由分割模块（Unet）与预测模块（ResNet）两部分组成（图1），基于10357只眼（112个阳性样本、10246个阴性样本）的数据进行训练。在包含1674只眼的两个外部队列中进行验证，取得了0.89和0.88的AUC值。
进展预测（progression prediction）指基于基线眼底彩照评估青光眼患者在未来3-5年发生视野进展的风险。该部分研究受试者均接受眼底彩照和视野配对检查。首先进行视野阅片，同一只眼的纵向视野报告由三位医生分别阅片，分为有视野进展（阳性样本）和无视野进展两组（阴性样本）。基于上述数据，研究团队开发进展预测模型，基于基线眼底彩照预测未来发生青光眼进展的概率。进展预测模型同样由分割模块（Unet）与预测模块（ResNet）两部分组成（图1），基于3003只眼（327个阳性样本、2676个阴性样本）的数据进行训练。在包含850只眼的两个外部队列中进行验证，取得了0.87和0.88的AUC值。
在进一步的可解释性分析中，热图表明人工智能模型预测风险时主要依据视盘边缘和盘沿上、下血管弓区域，与临床医生评估青光眼损伤时的关注点极为相似（图2）。
该研究首次在大样本纵向眼底彩照数据上实现了基于基线数据的青光眼病情预测。将基线眼底图像输入AI模型，即可得出健康受试者在未来3-5内发展为青光眼或青光眼患者视野进展的风险。该成果有三大亮点：1）首次实现基于AI的青光眼发病及进展预测，且算法在外部测试集依旧保持出色的预测性能；2）青光眼发病预测数据来自社区筛查队列，更好地反映青光眼在人群中的分布特征，加强了AI模型的泛华性和可靠性；3）AI模型成功地从基线眼底彩照中识别出视野恶化的高风险患者，实现了基于结构的功能预测；且AI模型对不同的青光眼亚型，包括POAG和PACG都表现了较高的预测准确性。
图1. 用于青光眼发病和进展预测的深度学习系统设计、验证流程示意图。
图2. 深度学习模型热图提示人工智能模型预测发病（A、B）及进展（C、D）主要关注视盘边缘和盘沿上、下血管弓区域，与临床上的关注点极为相似
青光眼是全球首位不可逆性致盲眼病。据《中国青光眼指南》报道，2020年我国青光眼患者约2100万，其中致盲人数达567万，每1000个人就有4个因青光眼失明；且青光眼发病隐匿，确诊时大部分患者已经进入中晚期，已成为重大的公共卫生问题。若能提前预测受试者青光眼发病与进展的风险，则可以提前干预、密切随访，降低青光眼造成的视功能损伤。近年来AI技术在青光眼诊断领域取得了长足进展，张教授团队成功研发基于眼底彩照的青光眼发病与进展预测系统，是青光眼领域第一个完善且经过外部验证的青光眼发病及进展预测算法。近年来，在中山眼科中心临床研究中心平台支持下，张秀兰教授团队从青光眼数据库构建到算法开发进行了深入探索，创建了目前国际上最完备的集青光眼预防、筛查、诊断一体化智能系统（iGlaucoma），发表了16篇相关高质量论著，10篇发表于中科院医学类1区期刊，包括NPJ Digital Medicine、Ophthalmology、Medical Image Analysis、IEEE Transactions on Medical Imaging等，申请中发明专利9项（含2项PCT专利）、获批1项，获批软件著作权1项。建立了全球最大的眼科多病种精标数据共享平台iChallenge（https://ichallenge.grand-challenge.com）支撑292篇科研论文发表（截至2022年4月26日），团队牵头制定我国首个关于眼底彩照数据质量控制规范的团体标准《眼底彩照标注与质量控制规范（T/CAQI166-2020）》并在WHO-ITU立项（编号SG16-TD227/WP2），为规范新兴的眼科AI发展做出了重要贡献。未来团队将继续探索应用AI技术简化、统一青光眼诊疗流程，实现青光眼诊疗标准化、数字化、智能化。
该论著第一作者为李飞（中山眼科中心，排名第一）、苏远东（四川大学）、林凤彬（中山眼科中心）、李志焕（澳门科技大学）；张秀兰（中山眼科中心，最后通讯作者）、张康（澳门科技大学）为并列通讯作者。中山大学中山眼科中心、眼科学国家重点实验室及广东省眼部疾病临床医学研究中心为第一单位。国内23家单位共28个研究者共同参与了此项研究。
本文论著通讯作者
