多光谱眼底疾病人工智能识别系统对视网膜静脉阻塞的识别研究*

马菲妍 张彩霞 冬雪川

1 河北医科大学第二医院眼科， 河北省石家庄市 050005； 2 深圳市新产业眼科新技术有限公司

视网膜静脉阻塞是眼科常见的眼底疾病，既往由于此病的诊断对于全科医师和年轻医师阅片标注的难度大，学习曲线长，不利于不同资质的医师开展疾病筛查，而人工智能阅片克服了不同医师的知识构成不同、标注时的心理状态与精力存在差异以及随着时间推移带来的记忆力和理解力的改变等主观差异的影响，通过人工智能和多光谱眼底成像技术的结合能够提升阅片质量和阅片速度，从而提升临床安全和诊断效率。故本研究采用诊断试验的研究方法，以150张经过专家标定的可能患有不同类型视网膜静脉阻塞的多光谱眼底图像作为阅片标注的参考标准，比较AI组、高年资眼科医师组、低年资眼科医师组及心血管内科医师组的诊断一致性和阅片速度，现报道如下。

1 资料与方法

1.1 一般资料 收集自2018年6—11月期间于河北医科大学第二医院眼科门诊就诊的150名眼科患者的右眼多光谱系列图像(RHA2020多光谱眼底成像系统，ANNIDIS corporation，加拿大)，波长范围包括550nm、580nm、590nm、620nm、660nm、690nm、740nm、760nm、780nm、810nm、850nm，全部图像均在免散瞳条件下拍摄，以黄斑中心凹为中心，成像范围43°(图1)。本研究符合赫尔辛基宣言，并由河北医科大学第二医院伦理委员会审核通过。纳入标准：(1)年龄≥18岁；(2)确诊为原发性高血压病；(3)通过近期的血管荧光造影检查可以明确是否患有眼底分支静脉阻塞或眼底中央静脉阻塞；(4)无角膜瘢痕、晶状体混浊等影响眼底拍摄的屈光介质异常；(5)图像对焦清晰，无异常伪影；(6)亮度均匀，可明显分辨血管和视盘等主要眼部结构。排除标准：(1)图像明显分辨率不足或其他图像拍摄异常；(2)病历资料不完整。

图1 多光谱眼底成像所获得的各波长图片以及拟合而成的功能图

1.2 方法

1.2.1 阅片者分组：依据阅片方式的不同将阅片者分为4组：(1)采用AI系统阅片定义为AI组；(2)由3名具有5年以上眼底照片和眼底检查经验的眼科医师组成的高年资眼科医师组；(3)由3名具有5年以下眼底照片和眼底检查经验的眼科医师组成的低年资眼科医师组；(3)由3名无既往眼科检查经验，在本研究开始前经过系统阅片培训的心血管内科医生组成的心血管内科医师组。

1.2.2 多光谱眼底图像的标注：全部多光谱眼底图像均采用分级标注，共3级：(1)无视网膜静脉阻塞体征；(2)有视网膜分支静脉阻塞体征；(3)有视网膜中央静脉阻塞体征。全部多光谱眼底图像均由2位资深眼底专家基于眼底荧光造影结果判定为确定诊断，意见不一致时交由第3名眼底专家阅片，定标一致的结果作为阅片标注的参考标准。

1.2.3 阅片的方法：AI组和全部医师组均对所有眼底图像进行阅片。AI组由研究人员将图像输入软件系统进行阅片，并保留自动诊断的结果；医师组均通过RHA自带的电脑系统和阅片软件对多光谱眼底图像进行阅片，保留阅片结果。同时记录AI和医师组单张阅片时间和总耗时。

1.3 统计学方法 采用SPSSAU20.0进行统计学软件处理数据。不同阅片者的阅片结果和参考标准的比较采用加权kappa系数进行评价，AI组和医师组的比较以Kendall系数进行评价。AI系统和各医师组的单张平均阅片时间比较采用重复测量方差Bonferroni法分析，根据球形度检验结果选择Greenhouse-Geisser校正结果，以P<0.01为差异有统计学意义。

2 结果

2.1 阅片结果的一致性比较 从表1的阅片结果与参考标准相比较的加权kappa系数和P值来看，9位医师和AI系统的诊断结果呈现较好的一致性；通过表2各组间相比，AI组和高年资眼科医师组诊断水平接近；心血管内科医师组的Kendall协调系数低于低年资眼科医师和高年资眼科医师组，但依然与AI组呈现较高的一致性。

表1 不同阅片者对多光谱RVO眼底图像标注一致性的比较

表2 AI与不同阅片组对多光谱RVO眼底图像标注一致性的比较

2.2 阅片速度比较 AI组、高年资眼科医师组、低年资眼科医师组、心血管内科医师组的平均阅片时间分别为(1.49±0.30)s、(15.06±1.67)s、(20.06±2.34)s、(37.73±2.62)s，见图2。各组平均阅片时间的差异具有统计学意义(F=9 020.907，P<0.01)。各组间比较，AI组的阅片时间明显少于各医师组，高年资眼科医师组和低年资眼科医师组少于心血管内科医师组，而高年资眼科医师组和低年资眼科医师组之间也有明显统计学差异(表3)。

图2 人工智能系统及不同级别医师单张平均阅片时间的比较

表3 不同阅片组对多光谱RVO眼底图像标注时间的比较

3 讨论

视网膜静脉阻塞是眼科常见的眼底疾病，主要危险因素包括系统性高血压、糖尿病以及颈动脉供血不足等[1-3]，同时某些血液学上的异常，也被认为和本病相关，包括蛋白C缺乏症、蛋白S缺乏症、活化的蛋白C抵抗、V Leiden因子的存在、抗磷脂抗体的存在和异常的纤维蛋白原水平[4-7]。

视网膜静脉阻塞的常见临床体征主要包括视网膜出血(视网膜表层火焰状出血和深层点状出血)，合并视网膜血管扩张、迂曲，还可出现不同程度的视神经乳头水肿、棉絮斑、线状出血以及黄斑出血等。而这些体征都是MSI比较敏感的体征。

MSI是一种新型的眼底成像技术，其利用各种波长不同的单色LED光源，分别投射入眼底不同深度，采集基于不同组织及病理产物吸收光谱的差异形成的图像，可以清晰地将视网膜、脉络膜分层显示在不同的照片上，并以冠状面图像的方式呈现。对临床所关注的疾病代谢物质可用敏感波长进行重点观察，因此能灵敏地发现疾病异常。该检查快速便捷且无创，无须散瞳，可适用于早期筛查多种眼底疾病[8-12]。

Xu等[13]通过MSI对静脉阻塞患者进行对比观察发现，MSI能以全光谱观察RVO引起的病变，包括无灌注区、视网膜出血、棉绒斑和硬性渗出，对于拍摄FFA显示荧光遮蔽的病例，MSI可显示出血和棉绒斑。MSI还可直观显示视网膜血管系统含氧水平，通过血氧含量的差异来发现无灌注区。此外，比较同一患者双眼的MSI含氧—脱氧地图可以轻易发现血氧供应的差异，即使血管直径相同也不影响判断。MSI可以实现免注射的血管造影，避免潜在荧光素过敏引起的威胁生命的并发症。因此对于RVO的早期诊断，MSI相比传统彩照有更明显的优势。但多光谱也有其局限性，包括图像张数多，阅片时间长，学习曲线长等。

Anitha 等[14]应用 Kohonen 人工神经网络对包括视网膜中央静脉阻塞在内的4种不同类型420张视网膜异常图像进行高精度的自动分类,采用绿色通道提取、直方图均衡化和中值滤波作为图像预处理技术,然后进行基于纹理的特征提取。平均灵敏度、特异度、准确率分别为 96%、98%、97.7%。Nagasato等[15]应用超宽视野眼底图像CNN训练DL模型,对237张视网膜分支静脉阻塞(BRVO)和176张非BRVO健康眼眼底图像进行训练识别,并与SVM训练的ML模型比较,DL模型诊断BRVO的灵敏度、特异度、阳性预测值、阴性预测值、曲线下面积(AUC)分别为 94.0%、97.0%、96.5%、93.2%、0.976,SVM 模型的值分别为80.5%、84.3%、83.5%、75.2%、0.857。DL模型在上述参数上均优于SVM模型,DL与超宽视野眼底图像联合应用,可较准确地鉴别健康眼和BRVO眼。而多光谱人工智能采用多光谱、多通道进行开发，针对敏感体征的波长所呈现的对比度更容易被AI所提取，因此在准确性和样本量的节约方面有着明显的优势。

本研究对比了多光谱人工智能阅片系统和医师阅片的在视网膜静脉阻塞上的准确性及一致性。人工智能展现了和高年资眼科医师基本等同的阅片能力，甚至略高于低年资眼科医师和心血管内科医师。AI 阅片克服了不同医师的知识构成不同、标注时的心理状态与精力存在差异以及随着时间推移带来的记忆力和理解力的改变等主观差异的影响，显然更适合疾病筛查场景[16]。尤其是本病和高血压、糖尿病、血液性疾病高度相关，临床症状不明显的患者容易为内科医师所忽视，通过AI的辅助配合，将有望提升临床安全和诊断效率。

本研究同时比较了AI和各阅片医师组的阅片时长，AI总体领先于医师组，这是由计算机的运算特征决定的，与AI系统的运行速度、计算机硬件配置、处理系统、 AI 算法的复杂程度及图形处理器的部署等因素有关。研究中，因本病是眼底疾病中的常见类型，高年资和低年资眼科医师的阅片时间差异较小。但心血管内科组医师的阅片时间明显延长，这是因为其对眼专科疾病的相关知识了解较浅，缺乏对本病的诊断经验，对正常的眼底结构和轻度的个体差异把握不足，结合其在诊断准确性上的不足，本类AI的开发可能更适合全科医生的使用。

综上所述，视网膜静脉阻塞的疾病诊断对于全科医师和年轻医师阅片标注的难度大，学习曲线长。通过人工智能和多光谱眼底成像技术的结合能够提升阅片质量和阅片速度，降低开发难度，有利于不同资质的医师，尤其是全科医师和年轻医师快速掌握本病的诊断和筛查。