特发性黄斑裂孔的人工智能诊断研究△

朱娟 常花蕾 李进

眼科学是一门高度依赖影像技术发展的学科。特别是眼底病学，由于其病理特征和检查手段的独特性，影像学技术分析成为眼底病诊断中重要的工具之一。人工智能的发展是一场新的技术革命[1]，而图像处理和特征识别是人工智能重要的研究方向之一。由于眼底影像对眼底病进行计算机辅助诊断具有诊断效率高、结果一致性好等特点，所以医学智能诊断系统能够帮助临床医师对患者病情进行更加有效地分析和诊断。特发性黄斑裂孔是指无明显病因发生于黄斑中心的全层神经上皮层缺失[2]。由于黄斑中心凹视网膜结构的局限性全层缺损，因此对患者的中心视力产生极大影响。当发生黄斑囊样水肿或者特发性黄斑裂孔性视网膜脱离等并发症时，则会导致视力严重下降，甚至失明[3]。如果早期发现特发性黄斑裂孔，并在发生严重并发症之前对其进行有效的医疗干预，可最大程度挽救患者视力。因此，早期发现并确诊对于特发性黄斑裂孔患者来说具有非常重要的意义。光学相干断层扫描 (optical coherence tomography，OCT)是近十年迅速发展起来的一种成像技术，它利用弱相干光干涉仪的基本原理，检测生物组织不同深度层面对弱相干光的背向反射或散射信号，通过扫描可得到生物组织二维或三维结构图像。OCT由于其分辨率高，能够直观显示裂孔处组织病变剖面图，被称为诊断及鉴别特发性黄斑裂孔的“金标准”[4]。然而，目前对特发性黄斑裂孔的诊断基本都是依靠人工判断的方式，在大规模眼底筛查中效率较低。另外，由于受医疗成像设备、人为操作控制等影响，在实际的医疗工作中捕获的数字图像影像或多或少地存在诸如噪声、边缘不清、病灶不清、对比度不强等问题，而且在一些基层医院缺乏有经验的眼底病医师，影响疾病的早期诊断。因此，利用计算机数字图像处理技术并结合人工智能算法在医学影像技术上的应用可以极大消除影响数字影像成像的不利因素，并且可以快速准确地批量处理医学图像，对特发性黄斑裂孔的普查具有非常重要的意义。因此，探讨计算机辅助处理OCT图像诊断特发性黄斑裂孔具有临床上的实际应用意义[5-6]。

鉴于此，本研究对OCT图像进行人工智能学习，利用图像处理和特征识别判断技术，使计算机能够智能分析并获取正常人和特发性黄斑裂孔患者OCT图像特征和区别，提出一种能够实现智能区分正常人眼和特发性黄斑裂孔患眼的特征参数的方法[7]。最后，通过对OCT图像特征智能参数的学习，给出合理的阈值，智能判断出正常人和特发性黄斑裂孔患者，达到自动诊断的目的。

1 资料与方法

1.1 一般资料训练数据来源：收集2018年5-8月在西安市第四医院眼科诊断为特发性黄斑裂孔患者48例(48眼)，其中男20例(20眼)、女28例(28眼)，平均年龄55.0岁。另选取48人(48眼)正常眼底OCT图像为对照组，其中男15例(15眼)、女33例(33眼)，平均年龄47.1岁。两组年龄与性别差异均无统计学意义(均为P>0.05)。

测试数据来源：随机对2018年9-12月西安市第四医院眼科诊断为特发性黄斑裂孔患者73例和正常51人的OCT图像进行测试。测试数据要求与训练数据无重复及相关，用于算法的有效性进行验证。

特发性黄斑裂孔患者入选标准：经眼底、三面镜以及OCT检查确诊为特发性黄斑裂孔；排除标准：排除包括青光眼、高度近视、眼底疾病(如糖尿病视网膜病变、视神经病变)、眼外伤史、视网膜脱离、有明确继发因素导致的继发性黄斑裂孔[8-9]。

1.2 智能诊断方法本研究的核心算法是一种基于特征参数提取和智能门限选取的特发性黄斑裂孔自动诊断算法[10-11]，本算法主要是将机器学习过程和人工智能诊断过程进行了有机结合，机器学习的主要目的是获得初始阈值，以便后续能够进行阈值判断，人工智能诊断主要是对未知结果OCT图像进行图像特征识别和特征算法提取，以便后续进一步处理。因此，人工智能诊断特发性黄斑裂孔的主要步骤有四步：(1)对OCT图像进行预处理，最大程度减少不相干噪声的影响；(2)机器学习过程获取已诊断图像的特征参数作为初始阈值；(3)人工智能诊断过程对提取图像利用人工智能判别算法进行诊断；(4)智能反馈修正，对初始阈值进行修正，使其具有更好适应性的自我学习修正能力。

1.2.1 图像预处理图像预处理是只对原始视觉信息图像进行一系列统一处理，使不同来源的图像能够在后续使用相同标准的检测算法进行检测，其优点为能够最大范围地包容几乎所有OCT图像，极大扩展了算法的通用性和实用性。具体步骤：将原始图像转化为灰度图像，对图像进行降噪处理，对图像进行边缘提取，最后对图像边缘信息进行检测并记录。见图1。

1.2.2 机器学习过程机器学习是人工智能领域的一个重要分支，该方法和传统计算机程序最大的不同在于机器学习是一种让计算机利用数据而不是指令来进行各种工作的方法。本算法主要利用机器学习过程中对于预处理图像进行的一系列计算，进而得到后续所需要的判断门限，即阈值。计算过程主要是分别输入正常人和特发性黄斑裂孔患者的OCT预处理图像，计算训练样本的图像特征参数，根据特征参数计算初始阈值。

1.2.3 人工智能诊断过程输入一张或多张待诊断的OCT图像，计算机将对图像进行初始化后利用图像特征提取算法提取图像特征参数，并将该参数与当前阈值进行比较，如果该图像特征参数大于等于样本阈值，则判定本图像为特发性黄斑裂孔患者，且特征参数数值越大，可靠性越高，如果该图像特征参数小于样本阈值，则判定本图像为正常人。

图1 特发性黄斑裂孔患者OCT图像预处理过程。A：原始OCT图像；B：彩色OCT图像转化的灰度图；C：高斯滤波后的OCT图像；D：提取的OCT图像边缘

1.2.4 智能反馈修正过程每次对患者和正常人进行一次判别后，系统都会记录下结果，并将结果反馈给机器学习过程，系统会根据最新输入的结果对后续阈值进行自我学习和更新，使阈值更能匹配目前批次的样本输入。这样的优点是使不同样本输入时不会出现明显的样本断层和阈值断层，有利于程序的稳定运行。

1.3 观察项目计算待判断图像的特征参数，并与当前阈值进行比较，每当判断完一次OCT图像之后，根据当前OCT的结果更新阈值。

1.4 统计学方法采用SPSS 19.0统计软件对人工智能判断结果及眼科医生判断结果进行χ2检验。检验水准：α=0.05。

2 结果

经计算得到训练样本中正常人OCT图像特征参数为9，特发性黄斑裂孔患者OCT图像特征参数为23，初始阈值为16。124例随机图像中73例OCT特征参数最小值为16.8，最大值为27.5，平均值为23.4，特征参数均大于阈值，无明显分布特征(图2)；51例随机图像OCT特征参数最小值为2.8，最大值为14.7，平均值为8.3，特征参数均小于阈值，无明显分布特征。经过比对，特征参数大于阈值的73例OCT图像均为特发性黄斑裂孔，特征参数小于阈值的51例OCT图像均为正常人。计算机判断结果与眼科医生判断结果比较，差异无统计学意义(P=0.551)。

3 讨论

根据报道，目前国际上Alphag的开发者The Google Brian Team(属于Google的子公司Deepmind)展示了人工智能在糖尿病视网膜病变诊断中的应用成果，并发表在《美国医学会杂志》(TheJournaloftheAmericanMedicalAssociation，JAMA)上，表明人工智能不但可以根据眼底图像快速诊断出糖尿病视网膜病变，而且精度惊人，敏感度和特异度分别高达96.1%和93.9%；中山大学中山眼科中心刘奕志教授领衔中山大学联合西安电子科技大学的研究团队，利用深度学习算法建立了“CC-Cruiser先天性白内障AI平台”，也取得了不错的成绩[1]。在可以预见的未来，人工智能技术的广泛应用必然会对传统人类社会的发展起到革命性的作用，并且社会效益和经济效益非常巨大。

图2 待测试OCT图像提取的特征参数以及诊断结果

计算机视觉是人工智能的一个重要方向，模式识别和图像处理作为计算机视觉中的重要组成部分，一直以来被寄予厚望。随着近年来计算机科学和医学影像诊断学的高速发展，人工智能在医学领域的发展开始脱离纸上谈兵并逐步具备一定的实用性。目前，国内对于特异性黄斑裂孔的人工智能诊断算法尚未见报道，本研究是将人工智能算法应用于特发性黄斑裂孔智能诊断的一种尝试，处理过程充分融合了特发性黄斑裂孔诊断理论、OCT图像分析过程、计算机图像处理技术、人工智能算法等多学科研究成果，对OCT图像进行有效特征参数提取，进而实现了人工智能诊断的全过程[12]，并给出了详细的计算机算法理论推导过程、实现过程和实验结果。从实验结果来看，人工智能在准确性方面已经可以和临床医师相当，而且效率方面是远远超过人力效率；但是，计算机程序均具有比较明确的针对性，眼底疾病复杂而多样，使得综合解决大量眼科疾病的计算机程序合集仍需要一个相对漫长的积累过程。本程序及算法也是对人工智能算法在眼科学应用的一个大胆尝试，虽然从研究结果来看取得了不错的效果，但是本程序目前只能有效区分正常眼和特发性黄斑裂孔眼，距离眼科复杂疾病的综合诊断仍需要后续不断地创新积累。目前，人工智能在眼科学中的应用尚处在起步阶段，需要通过大量数据和算法的积累验证才能真正将这一具有颠覆性的前沿技术真正地用于临床诊疗。因此，未来首先需要建立相当的眼科图像数据库和程序库，针对不同眼病典型特征，建立不同的数据模型和算法模型，并利用人工智能算法进行深度学习，发掘不同症状或者病症之间的关联性。

由于条件所限，本研究中收集OCT图像时间较为仓促，训练数据和试验数据较为有限，准确率存在一定的偏差，这也是接下来对目前人工智能诊断系统进行测试和调试的重要工作。样本数较少也是人工智能面临的普遍困难，需要收集整理更多的试验样本数据，搭建广泛的数据平台对系统进行充分性测试。目前，人工智能技术已经成为新一轮科技革命，我国从国家战略层面也将人工智能技术提升至核心竞争战略高度，未来一定会有更多更好的人工智能算法被创造出来。因此，建立丰富的眼病数据平台，实现不同医院和科研机构的数字资源共享，将我国庞大眼科患病人群及丰富眼病患者资源与人工智能技术充分整合，抢占眼科人工智能技术理论和实践制高点是广大眼科工作者和人工智能工程师未来重要的研究方向。