Nat commun | 陈蔚教授团队发表使用人工智能技术阻止角膜炎发展为角膜盲新技术

文摘   2024-11-01 19:00   北京  

在全球范围内,角膜炎是导致角膜盲症的主要原因之一,而早期的诊断和治疗可以避免大多数由角膜炎引起的视力丧失。不过,由于眼科医生的普遍短缺,尤其是在资源有限的环境中,角膜炎的早期诊断面临巨大挑战。为了应对这一挑战,国内外科研团队尝试探索利用人工智能辅助角膜炎诊断的可行性。


温州医科大学附属眼视光医院陈蔚教授团队于国际知名学术期刊Nature Communications发表题为“Preventing corneal blindness caused by keratitis using artificial intelligence”的研究论文。研究团队开发了一种人工智能深度学习系统,可用于自动分类角膜炎和其他角膜异常,这一系统在6,567张裂隙灯图像上展现出了卓越的性能。





研究方法


共筛出来自7988个个体的13557张合格图像(6055张角膜炎图像、2777张其他异常角膜图像和4725张正常角膜图像)来开发和评估人工智能系统。这些数据集来自于宁波眼科医院(NEH)、浙江眼科医院(ZEH)、江东眼科医院(JEH)、宁波眼科中心(NOC)和智能手机数据集。本研究使用了三种经典的人工智能算法DenseNet121、Inception-v3和ResNet50来训练角膜炎、其他异常角膜和正常角膜的分类模型。人工智能模型是使用PyTorch(版本1.6.0)作为后端进行训练的。生成可视化热图是人工智能在区分角膜炎、其他异常角膜和正常角膜方面的基本原理。为了评估该模型的准确性,研究团队招募了两名具有3年和6年临床经验的角膜专家,独立地将每张图像分为角膜炎、角膜其他异常和正常角膜,对结果进行对比。


图1:人工智能模型系统的开发和评估流程图


图2:典型可视化热图,成对的原始图像(左)和每个类别的相应热图(右)





研究结果


图3 b和c描述了这三种算法在内部测试数据集中的有效性,最佳算法为DenseNet121。


在识别角膜炎方面,最佳算法的曲线下面积(AUC)为0.998(95%置信区间[CI],0.996-0.999),灵敏度为97.7%(95%CI,96.4-99.1),特异性为98.2%(95%CI,97.1-99.4)。


在识别角膜的其他异常方面,最佳算法AUC为0.994(95%CI,0.989-0.998),灵敏度为94.6%(95%CI,90.7-98.5),特异性为98.4%(95%CI,97.5-99.2)。


在识别正常角膜方面,最佳算法AUC为0.999(95%CI,0.999-1.000),灵敏度为98.4%(95%CI,97.1-99.7),特异性为99.8%(95%CI,99.5-100)。与内部测试数据集的参考标准相比,最佳算法DenseNet121的未加权Cohen’s kappa系数为0.960(95%CI,0.944-0.976)。


图3:人工智能算法的性能


在外部测试数据集中,DenseNet121算法在角膜炎、其他异常角膜和正常角膜的分类中表现最佳。


图4:外部测试数据集中三种人工智能算法特性曲线


但是,在内部和外部测试数据集中,共有346张图像(4.3%)出现了错误分类。在角膜炎类别(3359)中,87张图像(2.6%)被系统误分类为具有其他异常的角膜,31张图像(0.9%)被误分类为正常角膜。对于被错误归类为角膜其他异常的角膜炎,56.3%(49/87)的图像显示角膜炎伴有角膜新生血管。这些病例通常具有翼状胬肉的相似特征,这可能是这种错误分类的一个可能原因。对于被误分类为正常角膜的角膜炎,54.8%(17/31)的图像曝光不足,影响了病变的清晰度。


图5:人工智能系统错误分类图像的典型示例


在ZEH数据集中,对于角膜炎、其他异常角膜和正常角膜的分类,具有3年经验的角膜专家的准确率分别为96.2%(95.0-97.5)、95.2%(93.8-96.5)和98.3%(97.4-99.1),具有6年经验的高级角膜专家的正确率分别为97.3%(96.3-98.3)、96.6%(95.4-97.7)和98.6%(97.8-99.4),而深度学习系统的准确率为96.7%(95.5-97.8)、96.3%(95.1-97.5)和98.2%(97.3-99.0)。研究提示,该智能系统识别角膜炎的准确性与角膜专家相当。





本文小结


这一深度学习系统有潜力被应用于数字裂隙灯相机和智能手机,以促进角膜炎的早期诊断和治疗,从而预防由角膜炎引起的角膜盲症。特别是在资源有限的环境中,这一系统可以作为一种自动化筛查工具,帮助识别角膜炎,并及时转诊阳性病例,有望降低角膜盲症的发生率。


不过,尽管该系统表现出强大的性能,但仍存在误分类的情况。研究团队分析了误分类率与系统预测概率值之间的关系,发现预测概率值越低,误分类率越高。因此,低预测概率值的图像需要角膜专家的关注。


信源

Li, Z., Jiang, J., Chen, K., Chen, Q., Zheng, Q., Liu, X., Weng, H., Wu, S., & Chen, W. (2021). Preventing corneal blindness caused by keratitis using artificial intelligence. Nature Communications, 12, 3738. https://doi.org/10.1038/s41467-021-24116-6

本视频/资讯/文章的内容不能以任何方式取代专业的医疗指导,也不应被视为诊疗建议。医脉通是专业的在线医生平台,“感知世界医学脉搏,助力中国临床决策”是平台的使命。医脉通旗下拥有「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品,全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。

医脉通眼科频道
关注医脉通眼科频道,快速获取眼科资讯,病例、指南、资源等随时学习。
 最新文章