OCT影像人工智能讀片與醫生讀片對識別年齡相關性黃斑變性的一致性分析

蔣 炎，許斐平，汪竟成，王莎莎，劉 瑞，曹婷怡，袁 雯，陳新建，陳吉利

0引言

年齡相關性黃斑變性(age-related macular degeneration, ARMD)[1]、糖尿病視網膜病變(diabetic retinopathy, DR)[2]和病理性近視(pathologic myopia, PM)[3]等常見的視網膜疾病已成為全球視力障礙和失明的主要原因。ARMD患者年齡多大于50歲，與年齡、遺傳、吸煙、營養、光損傷等多種因素有關，可導致不可逆的中心視力下降。ARMD主要影響黃斑功能，而黃斑是與精細視覺和色覺相關的視網膜中心區域。臨床上ARMD分為干性和濕性ARMD。干性ARMD的特征性表現為玻璃膜疣(drusen)的出現，一種由蛋白質和脂質組成的白色或淡黃色物質。干性ARMD由于地圖樣萎縮損害感光細胞的功能從而導致視力喪失。在濕性ARMD中，視網膜色素上皮(retinal pigment epithelium, RPE)細胞誘導血管生成因子的合成，刺激脈絡膜新生血管(choroidal neovascularization, CNV)的形成。這些新生血管穿透Brunch膜-RPE復合體，導致感光細胞死亡，某些情況下可出現視網膜下大面積出血，從而造成嚴重的視力喪失[4-6]。許多視網膜病變可通過眼科專業檢查早期發現。因此，早期診斷和治療有利于防止視力喪失。然而，眼科檢查資源的缺乏大大降低了視網膜疾病早期發現的可能性，尤其是在欠發達的國家和地區[7-8]。眼底疾病研究的最大阻礙就是很多疾病的發病原因不明確，病例特征不清楚，因為研究者難以在活體獲得疾病不同發展時期的病理切片。雖然眼底照相、血管造影等影像技術能在一定程度上幫助研究者了解眼底疾病可能的病理改變，但在光學相干斷層掃描(optical coherence tomography, OCT)出現之前，沒有一項眼科檢查技術能夠觀察到視網膜的內部結構。

OCT是20世紀90年代初發展起來的新的影像學檢查方法，90年代中應用于眼科臨床。OCT的工作原理類似超聲波，但其用光波代替聲波。OCT利用低相干光對生物組織進行橫截面掃描，并將所獲取的信息轉化為數字，經計算機處理，再以圖形或數字形式顯示，清楚地顯示視網膜各層的病理改變，提供量化診斷指標。由于OCT是非接觸性、非創傷性檢測工具，可以多次重復檢查而不會給患者帶來痛苦，且OCT所具有的高分辨率(<10μm)、實時、能在活體上動態觀察疾病的發展過程，因此得以廣泛應用于臨床，為眼底疾病及青光眼的臨床診斷、鑒別診斷、療效觀察及一些疾病的發病機制等提供了客觀依據和精確的定量測量數字[9-10]。ARMD病變首先累及黃斑區視網膜色素上皮、Brunch膜及脈絡膜毛細血管，在OCT圖像上可表現為玻璃膜疣、視網膜外層結構萎縮、CNV、息肉樣病灶以及色素上皮脫離(pigment epithelial detachment, PED)。

近年來，隨著計算機處理速度的提高，人工智能(artificial intelligence, AI)被廣泛地應用于醫學疾病的輔助診斷和管理，特別是在眼科領域。AI在眼科的應用目前主要集中在DR、ARMD等發病率較高的疾病上[11]。目前一些研究表明，AI對DR的篩查具有較高的準確性、敏感性和特異性[12-14]。在以往的研究中，我們發現基于AI的眼底照相篩查系統對糖尿病視網膜病變識別的敏感度、特異度及AUC分別達到90.79%、98.5%和0.946[15]。AI技術憑借其閱片速度快、對病變識別準確性高的優點，可能成為解決現有的眼底篩查巨大需求與醫療資源缺乏和分布不均矛盾的途徑。目前AI技術對于眼底疾病的篩查更多地應用于眼底彩色照片，而關于基于AI的OCT影像篩查眼底疾病的準確性的報道很少。因此，我們對2019-11/2021-11上海市靜安區市北醫院門診患者的OCT圖像進行了回顧性研究，比較了眼科醫生及AI的讀片結果，探討OCT的AI讀片結果的準確性及對ARMD篩查的可行性。

1對象和方法

1.1對象收集2019-11/2021-11上海市靜安區市北醫院門診患者1661眼的OCT圖像共計1661張，排除因屈光介質混濁、圖像捕捉期間固定失敗、嚴重的偽影以及其他原因造成的不清晰圖像，對眼底圖像清晰可辨的1579張圖像進行了分析。本研究僅對眼底OCT圖像結果進行分析，不涉及個人隱私信息。本研究經上海市靜安區市北醫院倫理委員會批準(No.YL-20180503-01)。

1.2方法

1.2.1OCT圖像采集本研究的所有圖像均由全自動人工智能OCT BV1000采集[16]。所有圖像均為6mm×6mm，每秒捕獲50000個軸向掃描，產生20μm橫向和6μm軸向的分辨率，每眼得到100張連續的OCT圖像。

1.2.2讀片與識別ARMD在OCT上可有以下特征性改變，根據這些特征由眼科醫生及AI作出初步診斷，判斷是否可能為ARMD。(1)玻璃膜疣：硬性玻璃膜疣為多個小的色素上皮隆起，反射增強。軟性玻璃膜疣為多個大小不等、駝峰狀的色素上皮隆起(小的PED)，較大的為融合病灶，脫離的色素上皮下方可見中等反射信號，并且可見纖細的連續的Bruch膜。(2)萎縮病灶：視網膜外層結構萎縮，脈絡膜毛細血管、色素上皮、IS/OS、外核層等反射光帶部分或全部消失，視網膜變薄。(3)脈絡膜新生血管：色素上皮層增厚、隆起、連續性破壞，反射增強。纖維血管性PED。周圍組織可以出現視網膜下或色素上皮下出血，視網膜層間或視網膜下積液。(4)息肉樣脈絡膜血管病變(polypoidal choroidal vasculopathy, PCV)：分支狀血管網OCT表現為色素上皮層反射帶結節狀，或有雙層征；息肉樣病灶表現為色素上皮呈陡峭的穹窿狀隆起，頂部比較尖，色素上皮高反射，其下方中等反射，病灶旁邊有時可見血液漿液性色素上皮脫離。(5)視網膜血管瘤樣增生(retinal angiomatous proliferation, RAP)：色素上皮脫離，病灶處色素上皮反射條帶中斷。

1.2.3眼科醫生讀片由上海市靜安區市北醫院眼科醫生從每眼的100張OCT圖像中找出1～2張黃斑區OCT圖像，以此模擬臨床工作中技師挑選異常圖像的過程。挑選出的圖像再由兩名眼科醫生獨立評判。兩名眼科醫生均為高年資主治醫生，長期從事眼底疾病的診治，擅長眼科影像學檢查。兩名醫生之間為雙盲審閱讀片，得出結論。當兩名醫生讀片結果不一致時，由一名副高及以上眼底病專家做出最終結論。

1.2.4AI讀片所有OCT圖像上傳至AI讀片中心，由軟件對每眼的100張OCT圖像進行自動分析，識別具有特征的視網膜圖像，做出病變的識別結論。AI軟件的核心算法采用深度學習的卷積神經網絡，在OCT切片圖像上對ARMD的相關病灶進行位置檢測，并綜合檢測到的病灶結果，做出是否患有ARMD的判斷。

統計學分析：使用SPSS 16.0軟件對數據進行統計分析。對于ARMD的識別，開展兩名眼科醫生之間、人工讀片和AI算法之間的一致性檢驗的Kappa值[17]。Kappa值的意義如下：0.21～0.40，一致性一般；0.41～0.60，一致性中等；0.61～0.80，一致性較高；0.81～1.0，高度一致[18]。以眼科醫生讀片結果為參考，計算AI對于ARMD識別的靈敏度、特異度以及曲線下區域面積(area under curve, AUC)。

2結果

2.1兩名眼科醫生讀片結果一致性分析以無ARMD和有ARMD二分類，對兩名眼科醫生的讀片結果進行一致性分析。結果顯示無ARMD和有ARMD的Kappa值在兩名眼科醫生之間為0.934(表1)。兩名眼科醫生的讀片結果高度一致，可將眼科醫生讀片結果作為參考，判斷AI讀片對ARMD的篩查情況。

表1 兩名眼科醫生讀片結果一致性分析

2.2AI與眼科醫生讀片結果一致性分析以是否患有ARMD二分類，對眼科醫生和AI的讀片結果(圖1～4)進行一致性分析(圖5)。結果顯示是否患有ARMD的Kappa值在兩者之間為0.738(表2)，AI讀片與眼科醫生讀片結果之間一致性中等。以眼科醫生的讀片結果為參考，AI對ARMD識別的靈敏度為73.08%，特異度為95.07%，AUC為0.841。

圖1 ARMD OCT圖像 A:醫生讀片：多個玻璃膜疣(黑色五角星)，下方Bruch膜連續完整(白色箭頭);B：AI讀片：多個玻璃膜疣(綠色方框)。

圖2 濕性ARMD OCT圖像 A:醫生讀片：局部色素上皮水平可見中反射信號隆起病灶(玻璃膜疣，黑色五角星)，局部色素上皮連續性破壞，局部隆起呈中等反射(色素上皮脫離，紫色五角星)。局部隆起呈中高反射，Bruch膜連續性破壞(脈絡膜新生血管，紅色五角星)，兩側可見視網膜下積液(白色箭頭);B:AI讀片：玻璃膜疣(綠色方框)及色素上皮脫離(紫色方框)。

圖3 濕性ARMD OCT圖像 A:醫生讀片：局部隆起呈中高反射，Bruch膜連續性破壞(脈絡膜新生血管，紅色五角星)，兩側可見視網膜下積液(白色五角星)，病灶上方可見囊樣水腫(白色箭頭);B:AI讀片：脈絡膜新生血管(紅色方框)、視網膜下積液(黃色方框)及囊樣水腫(藍色方框)。

圖4 眼科醫生與AI對ARMD識別的比較。

圖5 醫生讀片與AI讀片結果比較。

表2 AI與眼科醫生對ARMD讀片結果一致性分析

3討論

本研究評估針對ARMD這一眼底疾病，OCT圖像AI自動識別結論與眼科醫生讀片結果的一致性，發現在基層醫院使用基于AI的OCT對ARMD進行篩查是可行的。

在傳統診療過程中，臨床醫生需要基于患者的臨床癥狀、體征、病史、眼科檢查等多個方面對疾病作出診斷。在本研究中，眼科醫生并未與受檢者進行溝通，無法得知受檢者的癥狀、體征、病史等信息，僅通過眼底OCT圖像進行評估，因此，眼科醫生的讀片結果僅作為參考，不作為臨床診斷。相比眼科醫師意見作為標準，判斷AI讀片結果的準確率、特異度、敏感度等值，采用一致性Kappa分析可以更好地反映AI的性能[19]。在我們的研究中，與眼科醫師讀片結果相比，AI對OCT圖像識別存在一定的差別。回顧相關病例的所有OCT圖像，我們發現，造成這些差別的原因一方面由于ARMD患者大多為老年人，屈光介質存在不同程度的混濁，從而影響眼科醫師及AI的讀片結果。另一方面，我們模擬臨床工作中技師挑選異常OCT圖像的過程，從每個病例的100張OCT圖像中選出異常圖像后再進行讀片，而AI則對所有100張圖像進行讀片，從而出現眼科醫師讀片結果為“無ARMD”，而AI讀片結果為“有ARMD”的情況。由此我們認為，由AI對ARMD進行篩查，可能較人工讀片更容易發現周邊處的微小病灶，更早地引起醫師及患者的重視。

眼底疾病是不可逆致盲的首位原因，是世界衛生組織防盲心動中的重點。其中，ARMD是工業化國家65歲以上人群發生不可逆轉的視力喪失的最常見原因[20]。到2020年，全球約有2億人患有ARMD，約占所有失明性疾病的9%[21]。更重要的是，ARMD的患病率近年來顯著上升[22-25]。ARMD是一種后天獲得性黃斑疾病，其特征是由于光感受器-視網膜色素上皮復合體的遲發性神經變性導致的進行性視覺障礙[26]。RPE在衰老過程中會發生各種變化，導致RPE與Bruch膜內膠原區交界面上出現一種細胞外的黃色物質，成為玻璃膜疣。黃斑內出現玻璃膜疣是ARMD的標志[27]。

OCT是無接觸、無創成像技術，以較高分辨率快速對眼部結構進行可視化，清晰地提供橫軸位成像[28-29]。在OCT圖像上，硬性玻璃膜疣為多個小的色素上皮隆起，反射增強。軟性玻璃膜疣為多個大小不等、駝峰狀的色素上皮隆起，較大的為融合病灶，脫離的色素上皮下方可見中等反射信號，并且可見纖細的連續的Bruch膜。OCT是眼底疾病臨床診療的權威檢查設備，但傳統OCT操作步驟復雜，讀片依賴高水平專業醫生，限制了OCT在基層的普及應用。

近年來，AI的不斷發展使其在醫療領域得到廣泛的應用。當OCT圖像上傳至云端由AI進行讀片時，僅需5s便可對一個患者一只眼的100張圖像完成讀片，且不受時間地點的限制，與人工讀片相比(約60秒/100張)，大大提高了讀片的效率，縮短了時間，適用于社區及基層醫院對于眼底疾病的大規模篩查。利用先進的眼科AI技術，是解決我國基層醫院眼科醫療資源不足的有效途徑，既可以為基層醫院對眼底疾病的篩查提供便利，又可以緩解二、三級醫院的壓力，更好地實現分級診療。通過對ARMD的早期篩查后早期轉診到上級醫院進行充分的規范化治療，可以有效挽救ARMD患者視力，改變患者的治療結局。AI在眼科具有巨大的潛力，然而多數的研究仍處于初級階段，AI的應用仍面臨結果可解釋性欠缺、數據標準化缺乏及臨床適應性不足等諸多挑戰[30]。通過對AI讀片結果的分析，進一步優化算法，為實現AI從研究到應用的轉化提供支持。

綜上所述，AI在基于OCT圖像的ARMD識別上與眼科醫師有較高的一致性，適用于基層醫院對ARMD的早期篩查和早期轉診的工作。然而，本研究中也存在一些不足之處，AI對于ARMD的篩查靈敏度偏低，需進一步完善AI算法，提高靈敏度，降低漏診率。另外，本研究所研究的眼底疾病病種單一，部分病種樣本量不足無法進行進一步統計分析。因此，我們將繼續增大樣本量，并對其余眼底病種進行分析，以期更加全面地評估AI對眼底疾病識別的敏感度和準確率。