【协和眼科研究系列报道】重症糖尿病视网膜病变的智能识别

本研究的目的旨在开发并验证基于彩色眼底照的重症DR智能诊断方法及其病灶识别。我们使用Kaggle公共数据集进行DR分级，其中测试集、训练集和验证集分别包括53576张、28101张和7025张眼底像。随机选取测试集中中度NPDR、重度NPDR和PDR共4388张，采用致远慧图公司开发的基于网络的眼底图像标注系统进行病灶标注。每幅图像由至少三名眼科医生进行单独分级和标注，由另外一名视网膜专家进行仲裁，经过培训的质控员进行质量控制，最终获得4192张有病灶标注的眼底图像。研究中分类算法采用Inception V3结构。将图像分别缩小到299×299像素和896×896像素进行比较，以探索图像分辨率的影响。采用随机水平翻转、旋转，亮度和对比度的随机调整等形式，达到模型训练中的数据增强。为了解决训练集中重度DR（重度NPDR和PDR）和非重度DR（无DR、轻度NPDR和中度NPDR）的比例不平衡，使用了加权随机抽样策略以在训练集中取得平衡。此外，使用类激活映射（CAM）技术以了解模型关注的重度和非重度DR类别的位置。

以896×896像素作为输入的方法对重度DR诊断的敏感度、特异度、调和平均数和AUC分别为0.925、0.907、0.916和0.968。重症DR中92.5%被正确预测，而预测误差主要发生在中度NPDR中，特别是硬性渗出和棉絮斑较多的病例容易被预测为重症DR。有视网膜前出血和玻璃体出血的PDR病例很容易被预测为重症DR，但重度NPDR和PDR伴有相对较少的视网膜内出血则容易被预测为非重症DR，而视网膜内微血管异常（IRMA）是最难识别的病变。

我们研究了基于彩色眼底照的重症DR智能诊断，包括DR分级、病灶分析和热图分析，为提高重症DR筛查的可行性和效率提供了可能性。本研究的优势包括以下几点：采用加权随机抽样策略，在训练集中平衡正负两种情况；包括病灶分析，这是对模型可解释性的探索；使用不同像素分辨率的图像作为输入大小，以确定最佳图像。当前的研究也存在一定的局限性，主要是重症DR的阳性预测值相对较低，以及尚无法进行DME的智能诊断，前者有待于眼科医生的专业知识与机器学习模型可解释性的发展来共同解决，而从彩色眼底照相中识别DME是我们下一步的研究目标。