多光譜眼底成像人工智能對視網膜動脈硬化的早期識別效能

馬菲妍，張彩霞，冬雪川（通信作者）

1 河北醫科大學第二醫院眼科 （河北石家莊 050005）；2 深圳市新產業眼科新技術有限公司研發部 （廣東深圳 518055）

視網膜動脈硬化包括老年退化性硬化和小動脈硬化，是眼科檢查中一種常見的體征，可反映全身血管的狀態，是全身動脈硬化的重要信號；若患者合并糖尿病、高血壓以及卒中等疾病，則會加速眼底動脈硬化進程[1-2]，因此，及時準確地對上述心腦血管疾病進行診斷非常必要。視網膜血管是人體血管中唯一能用肉眼直接觀察到的血管，臨床可通過對其形態的觀察判斷患者的動脈硬化程度，這對于預測心腦血管疾病發生風險具有重要的意義[3-4]。

多光譜成像技術是一種新型的眼底成像技術[5]，可以利用多個不同波長的單色LED 光源分別投射入眼底不同層次的視網膜及脈絡膜組織[6]，采集基于不同組織及病理產物吸收光譜的差異形成的圖像，進而更清晰地觀察包括視網膜動脈硬化在內的各類疾病體征[7]。近年來，人工智能（artificial intelligence，AI）尤其是深度學習在醫療健康、自動駕駛等領域展現了巨大的潛力，并逐漸被應用于實際場景中[8-15]。在眼科方面，尤其是在對各類視網膜病變的自動檢測中，AI 發揮了一定的價值[16-21]。多光譜眼底圖像可通過多種光譜、多種通道和維度展現疾病的特征，與深度神經網絡技術的結合有助于提升智能診斷的靈敏度和特異度。本研究通過比較基于多光譜眼底成像開發的AI 與傳統醫師對視網膜動脈硬化的診斷一致性，評估AI 的實際診斷能力，現報道如下。

1 資料與方法

1.1 一般資料

收集2018年7—10月于河北醫科大學第二醫院眼科門診就診的150名眼科體檢者的右眼多光譜系列圖像（RHA2020多光譜眼底成像系統，ANNIDIS corporation，加拿大），波長范圍包括550、580、590、620、660、690、740、760、780、810、850 nm，全部圖像均在免散瞳條件下拍攝，以黃斑中心凹為中心，成像范圍43°（圖1）。本研究符合赫爾辛基宣言，并由河北醫科大學第二醫院倫理委員會審核通過。

圖1 多光譜眼底成像所獲得的各波長圖片以及擬合而成的功能圖

體檢者及圖片納入標準：年齡≥40歲；無角膜瘢痕、晶狀體混濁等影響眼底拍攝的屈光介質異常；圖像對焦清晰，無異常偽影；亮度均勻，可明顯分辨血管和視盤等主要眼部結構。排除標準：圖像明顯分辨力不足或其他圖像拍攝異常；樣本資料不完整。

1.2 閱片者分組

依據閱片方式的不同將閱片者分為4組，即采用AI 閱片的AI 組；由3名具有5年以上眼底照片和眼底檢查經驗的眼科醫師組成的高年資眼科醫師組；由3名具有5年以下眼底照片和眼底檢查經驗的眼科醫師組成的低年資眼科醫師組；由3名無既往眼科檢查經驗，在本研究開始前經過系統閱片培訓的心血管內科醫師組成的心血管內科醫師組。

1.3 多光譜眼底圖像標注

采用分級標注多光譜眼底圖像，共3級，即無眼底動脈硬化表現；小動脈反光帶增寬，輕度或無小動靜脈壓迫；較明顯的小動脈反光帶增寬，明顯動靜脈交叉壓迫。全部圖像均由2名資深眼底專家基于多光譜眼底圖像觀察結果判定為確定診斷，意見不一致時交由第3名眼底專家再次閱片，將定標一致的結果作為閱片標注的參考標準。

1.4 閱片方法

由AI 組和全部醫師組對所有眼底圖像進行閱片，其中AI 組由研究人員將圖像輸入軟件系統進行閱片，并保留自動診斷的結果；醫師組均通過RHA 自帶的電腦系統和閱片軟件對多光譜眼底圖像進行閱片，并保留閱片結果。同時，記錄AI 組和醫師組單張閱片時間。

1.5 統計學處理

采用SPSSAU 20.0統計軟件處理數據。不同閱片者的閱片結果與參考標準的比較采用加權Kappa系數進行評價，AI組與醫師組的比較以Kendall協調系數進行評價；AI組與各醫師組平均單張閱片時間的比較采用重復測量方差Bonferroni法分析，并根據球形度檢驗結果選擇Greenhouse-Geisser校正結果。P＜0.05為差異有統計學意義。

2 結果

2.1 閱片結果的一致性比較

高年資眼科醫師組、低年資眼科醫師組、心血管內科醫師組共9名醫師的閱片結果與參考標準比較的加權Kappa系數依次為0.901、0.864、0.887、0.749、0.841、0.808、0.604、0.718、0.744，P＜0.01；AI 組的閱片結果與參考標準比較的加權Kappa系數為0.834，P＜0.01；一致性均較好。各組間比較，AI 組與高年資眼科醫師組比較的Kendall協調系數為0.887，χ2=528.633，P＜0.01，診斷水平接近；AI 組與低年資眼科醫師組和心血管內科醫師組比較的Kendall協調系數分別為0.853、0.848，χ2=508.572、505.684，P＜0.01；心血管內科醫師組和低年資眼科醫師組協調系數依次低于高年資眼科醫師組，但無顯著統計學差異。

2.2 閱片速度的比較

AI 組、高年資眼科醫師組、低年資眼科醫師組、心血管內科醫師組的平均單張閱片時間分別為（1.52±0.29）、（14.70±1.74）、（22.36±2.43）、（43.10±7.08）s（圖2）。4組平均單張閱片時間比較，差異有統計學意義（F=3 134.857，P＜0.01）；組間兩兩比較，除高年資眼科醫師組VS 低年資眼科醫師組，差異均有統計學意義（P＜0.01）（表1）。

表1 不同閱片組對多光譜眼底圖像標注時間的比較

圖2 AI 組及醫師組平均單張閱片時間的比較

3 討論

動脈硬化的共同特點是動脈非炎癥性、退行性和增生性病變，一般包括老年性動脈硬化、動脈粥樣硬化和小動脈硬化等。視網膜血管是唯一能夠于活體內直接觀察，并能夠分辨動靜脈的血管。任何導致全身動脈和小動脈硬化的疾病都可累及視網膜血管，因此，作為觀察窗口，眼底檢查可為許多全身疾病的診斷、治療和預后判斷提供客觀依據[22]。動脈硬化眼底主要表現包括視網膜動脈彌漫性變細，血管透明度降低，顏色褪色，反光帶變暗，血管走行平直，分支呈銳角等。最常見的分級和評估標準為Scheie 分類法，1級，小動脈輕度變細，光反射增寬，有輕度或無動靜脈交叉壓迫征；2級，較明顯小動脈變窄和光反射增寬，明顯動靜脈交叉壓迫；3級，小動脈銅絲狀，動靜脈交叉壓迫征明顯；4級，動脈銀絲狀，動靜脈交叉壓迫征嚴重。本研究中的受試者主要是常規體檢人群，故未收錄重度視網膜動脈硬化人群。

眼底病變與各類心腦血管疾病均有一定的相關性，一項對15 972例的大樣本研究表明，眼底病變與腦小血管疾病的發病及進展相關，且眼底病變與腔隙性梗死的相關性較非腔隙性梗死高[23]。急性腔隙性梗死患者視網膜動脈局限性狹窄，動靜脈交叉壓迫征以及廣泛的靜脈擴張征的檢出率均比較高，相較于無視網膜病變患者更易發生其他類型的腦梗死、腦白質變和腦微出血[24]。因此，視網膜動脈硬化的早期診斷對于系統性疾病的早期發現尤為重要。

本研究比較了多光譜AI 閱片系統和醫師閱片的準確性及一致性，結果顯示，AI 展現了和高年資眼科醫師基本等同的閱片能力，甚至略高于低年資眼科醫師和心血管內科醫師。本研究中低年資眼科醫師組和心血管內科醫師組的準確性略低于AI 組和高年資眼科醫師組，但無顯著統計學差異。AI 閱片克服了不同醫師的知識構成不同、標注時的心理狀態與精力存在差異以及隨著時間推移帶來的記憶力和理解力的改變等主觀差異的影響，更適合疾病篩查場景[25]。本研究同時比較了AI 組與各閱片醫師組的單張閱片時間，結果顯示，AI 組總體領先于醫師組，高年資眼科醫師組與低年資眼科醫師組的平均單張閱片時間接近，但心血管內科醫師組的平均單張閱片時間明顯延長，這是因為其對眼科疾病的相關知識了解較淺，缺乏對眼底病變診斷的經驗，且對病變的病理基礎認識不足而不能適應閱片工作，結合其在診斷準確性上的不足，本類AI 的開發可能更適合全科醫師的使用。本研究的局限性在于未考慮多種多光譜成像系統采集圖像識別的通用性和兼容性能，且僅比較了輕度視網膜動脈硬化人群的眼底圖像，尚需要進一步完善，未來需要在此方向進行多中心和多層級的臨床研究驗證。綜上所述，通過AI 和多光譜眼底成像技術的結合能夠提升醫師對視網膜動脈硬化的閱片質量和閱片速度，降低開發難度，利于不同資質的醫師，尤其是全科醫師和年輕醫師快速掌握該疾病的診斷和篩查方法。