本次我们分享了一篇发表在LANCET子刊The Lancet Digital Health（IF = 30.8）上的一篇文章《Screening and identifying hepatobiliary diseases through deep learning using ocular images: a prospective, multicentre study》。文章向我们展示了研究者如何使用深度学习模型让使用眼部图像对特定肝肾疾病进行初步确诊成为了现实，让我们一起来看看吧！
文章亮点
本次实验首次使用真实数据证明了眼部图像出现某些怪异变化与特定的肝肾病有直接关系，并使用深度学习模型证明了使用眼部图像的怪异变化对特定肝肾病进行初步确诊的可能性。 实验所训练的模型能够比临床医生更准确的通过眼部图像对肝肾病进行预测。 研究者通过对深度学习模型的预测结果的分析为下一步实验需要注意的因素进行了总结，为进一步探究眼部图像与常见肝肾病间的关系铺平了道路。
文献背景
文章题目：Screening and identifying hepatobiliary diseases through deep learning using ocular images: a prospective, multicentre study DOI：10.1016/S2589-7500(20)30288-0 中文标题：通过深度学习利用眼部图像筛查和识别肝胆疾病：一项前瞻性的多中心研究 发表杂志：The Lancet Digital Health 影响因子：30.8 发表时间：2021年2月
I. 实验背景
长久以来，许多肝胆疾病都会对患者的眼部造成影响。也有能用患者眼部图像的异常变化来初步确诊肝病的说法，但这种说法从未被正式证明过。而中山大学的研究者们在深度学习模型的帮助下对肝病患者的裂隙灯显微图像和眼底图像进行了分析并成功的证明了这一猜想。
II. 实验过程
数据来源
本次实验收集了来自南方医科大学附属花都医院感染病科；中山大学附属第三医院肝胆外科 (HTH) 和感染病科 (ITH)等三个科室与爱康医疗南天医疗中心和爱康医疗环市东医疗中心等两个医疗中心的近2000名患者的裂隙灯显微图像与眼底图像。
数据处理
通过对三个科室与两个健康中心的3000多位患者的调查，研究者共收集了3550张裂隙灯显微图像与2789张眼底图像，其中约三分之二的裂隙灯显微图像（2481）和眼底图像（1989）被选作了训练数据，剩下的约三分之一裂隙灯显微图像（1069）和眼底图像（800）被选作了验证数据。
实验设计
考虑到深度学习模型对人难以察觉的细节的敏锐性，研究员决定使用深度神经网络作为本次实验的模型。但是考虑到不同的神经网络擅长于不同种类数据的分析和预测，研究员决定对包括ResNet-101；VGG-16和EfficientNet-B0三种神经网络进行对比实验并选择表现最好的神经网络作为实验模型。其中ResNet-101最准确的根据患者的眼部图像判断了患者的肝肾健康情况遂被选为实验模型。
考虑到“常见肝肾疾病”这个概念涵盖了太多不同疾病，而不同的疾病往往会在患者的眼部图像里有不同的表现方式。研究员们决定在作出对患者肝肾基础健康状况进行判断的前提下进一步对患者是否患有不同种类的肝肾疾病进行判断。
考虑到我们选择了裂隙灯显微图像与眼底图像两种并不相关的图像研究员们决定训练两个不同的模型，分别用裂隙显微图像训练组和眼底图像训练组来训练，我们称为裂隙灯模型和眼底模型。
至此，实验准备完毕。研究员们决定用两个分别由裂隙灯显微图像训练组和眼底图像训练组训练的ResNet-101深度神经网络模型对患者的肝肾健康情况进行判断，并进一步的对患者是否患有机种常见的肝肾病进行判断。
III 实验结果解读
模型表现
裂隙灯模型对肝胆疾病的综合筛查的AUROC为0.74，眼底模型为0.68。 模型对肝癌的预测的AUROC为0.93（裂隙灯）和0.84（眼底） 模型对肝硬化的预测的AUROC为0.90（裂隙灯）和0.83（眼底） 模型对其他疾病的的预测的AUROC在0.58至0.69之间。 裂隙灯模型与眼底模型都能够比临床医生更准确的判断出患者是否还有常见的肝肾病 研究表明，除了结膜和巩膜，虹膜和眼底的结构也有助于分类。
眼部图像的不同部分对肝肾疾病预测的准确率也不尽相同 上图中B列图像里的红色部分对模型预测的准确率的影响大约绿色部分，而蓝色部分对预测准确率的影响微乎其微 上图中C列图像里红色恶部分对模型预测的的准确率影响较大，蓝色部分对预测结果的影响微乎其微 模型的表现大概率与训练组的大小有关，扩大训练组有望进一步提高模型的判断表现。
IV. 总结
本次实验初步证明了眼部图像的反常变化可以被用于初步诊断几种常见的肝肾病。虽然由于本次实验受训练集太小的影响，训练出的模型并不能非常准确的判断患者是否患有某些常见肝肾病，但是我认为这是个令人兴奋的开始！
本文作者：徐可
现在：
长按扫码关注：科研生信充电宝
看到这里你还不心动吗？
赶紧关注、转发、点赞、分享，领取你的专属福利吧~
好啦，以上就是今天推文的全部内容啦！
版权声明：本文内容由互联网用户自发贡献，版权归作者所有，本公众号不拥有所有权，也不承担相关法律责任。
如果您发现本公众号中有涉嫌抄袭的内容，欢迎发送邮件至：kysxcdb@163.com 进行举报，一经查实，本公众号将立刻删除涉嫌侵权内容。
