人工智能在眼科光相干断层扫描图像中的应用

段恺睿 综述 张弘 审校

哈尔滨医科大学附属第一医院眼科医院 150001

随着眼科的发展，大部分眼科疾病的诊疗越来越依赖影像学检查，同时产生了大量的眼科检查图像。人工智能(artificial intelligence，AI)在图像识别方面具有极大优势，因此，将AI应用于眼科图像的识别以进一步提高眼科疾病的诊疗效率，近年来逐渐成为眼科领域的研究热点。有研究发现将AI应用于光相干断层扫描(optical coherence tomography，OCT)和光相干断层扫描血管成像(optical coherence tomography angiography，OCTA)图像的识别、判读，进而诊断眼科疾病，具有较高的特异性和准确性。因此，将AI应用于眼科OCT和OCTA图像中的研究具有重要的临床意义。本文对目前AI结合OCT和OCTA图像在眼前节疾病、眼底疾病等眼部疾病中的临床应用研究进展进行综述。

1 AI在医学领域应用的基础

AI是计算机科学的一个分支，其可以模仿人类或类人类大脑的功能来完成任务，包括识别语音、识别图像和解决问题[1-2]。大量医疗数据的产生以及医疗设备和数字记录系统的日益增多，驱动了AI在医学领域的发展。深度学习(deep learning，DL)作为AI的一个分支，其概念在2006年首次由Hinton等[3]提出，与传统技术相比，DL在许多领域，包括自然语言处理、计算机视觉和语音识别，都显示出更高的准确性[4]，因此也使AI在医学领域有更好的应用前景。

目前，医疗领域已被认为是AI应用的最佳领域之一，借助其高效、准确的特点，AI有望解决医疗资源不足、医生培养周期长、医疗质量层次不齐等医疗行业的问题[5]。医疗数据爆炸式的增长、计算机能力的不断提升以及神经网络算法的革新驱动了AI在各行各业的应用[6]。Lewis-Kraus[7]强调AI取得的巨大进步，并提出了使用机器学习算法的计算机将很快取代影像科医生的前景。2016年，Hinton表示5年后DL的成果会比影像科医生做得更好[8]。除此之外，机器学习(machine learning，ML)领域的专家已经取得了显著的成就，比如在斯坦福ImageNet挑战赛中，在识别日常生活图片中物体上，计算机视觉的性能令人印象深刻[9]，以及2016年谷歌的AlphaGo AI机器人击败人类围棋冠军[10]。基于以上成就，无监督学习的ML将快速并广泛地应用于医学图像的识别和诊断[11]。虽然类似的自我强化学习在围棋、象棋等规则简单的游戏中是可行的，但其在医学影像学中却不容易实现，因为缺乏一套简单的“影像学游戏”规则来进行这种自我强化学习。除非有重大技术突破，否则人类的标注和指导很可能在医学影像ML发展的每个阶段都是必需的[12]。所以影像科医生在AI计算机辅助下对图像进行识别与诊断是未来研究的发展方向。

2 OCT检查的特点

OCT最早出现于1991年，主要用于对眼后节进行成像，在识别与新生血管性或干性年龄相关性黄斑变性(age-related macular degeneration，AMD)相关的视网膜和视网膜下病变方面高度敏感[13-15]。非接触和非侵入性的眼前节OCT(anterior segment OCT，AS-OCT)成像技术于1994年首次被提出，其可获得高分辨率眼前节横断面图像，并可实现眼前节结构评估以及不同眼前节疾病的诊断和鉴别[16]。2012年，Jia等[17]引入了OCTA技术，以增强OCT图像中视网膜和脉络膜血管的可视化。OCTA可将视网膜和脉络膜血管三维可视化，无需注射任何造影剂，完全以非侵入性方式进行检测，且与形态学检测数据匹配良好。因此，OCTA能够同时评估视网膜或脉络膜的结构和功能特征，可用于检测AMD中脉络膜新生血管(choroidal neo vascularization，CNV)，并确定其相对于视网膜色素上皮和Bruch膜的位置，可显示出比荧光素眼底血管造影(fluorescein fundus angiography，FFA)更明显的脉络膜新生血管特征[18]。由于OCT和OCTA检查无创的特点，有效降低了患者检查的风险，并且可以达到与传统FFA相近的检查效果，未来可能成为眼科重要的检查手段，所以将AI与OCT和OCTA图像结合在眼部疾病诊断中的应用具有重要的临床意义。

3 AI结合OCT图像在眼部疾病中的临床应用

3.1 眼前节疾病

后弹力层角膜内皮移植术(Descemet membrane endothelial keratoplasty，DMEK)术后早期容易发生内皮植片贴附不良，从而影响患者术后视力恢复。Treder等[19]运用基于DL的自动分类器对已行DMEK患者的AS-OCT图像进行检测以判断植片是否完全附着，结果显示该自动分类器判断植片情况的灵敏度和准确性均达到95%以上。Hayashi等[20]尝试运用DL结合AS-OCT图像判断DMEK术后是否需要重新进行前房注气以改善植片贴附，发现VGG19模型在所有模型中的受试者工作特征曲线下面积(area of the ROC curve，AUC)最大，并且灵敏度、特异性均高于90%，结果表明该自动化分类系统可以在一定程度上辅助眼科医师对内皮植片情况进行综合分析，决定患者是否需要重新进行前房注气，为手术医师观察DMEK术后患者的恢复情况提供了帮助。

青光眼是一种进行性的多因素疾病，其特征为视神经损伤和进行性视力丧失，如不及时治疗，可致盲，因此其早期诊断尤为重要。Naithani等[21]在该领域进行探索并设计了一种OCT自动分类系统，用于区分青光眼与健康眼；该研究将此系统与内嵌于海德堡视网膜断层扫描仪(Heidelberg retina tomograph，HRT)中的检测青光眼损害的自动分类系统进行了比较，基于OCT自动分类系统的线性判断分析、人工神经网络和分类回归树产生的AUC高于HRT中摩尔场回归分析、RB和FSM函数产生的AUC，因此OCT自动分类系统的性能优于HRT分类系统。Shigueoka等[22]比较了OCT和有标准自动视野检查参数的机器学习分类器(machine learning classifier，MLC)区分健康眼和青光眼的能力，并将MLC与联合结构-功能指数(combined structure-function index，CSFI)、普通眼科医生和青光眼专家的诊断能力进行比较，结果表明在无青光眼专家参与的情况下，MLC和CSFI可有效地辅助普通眼科医生对青光眼的诊断。闭角型青光眼主要由过度的晶状体膨胀、瞳孔阻滞、周边虹膜增厚及高原虹膜4种机制引起，不同致病机制需采用不同的治疗方案，因此明确发病机制对患者治疗来说尤为重要。Niwas等[23]设计了一种基于AS-OCT图像对不同闭角型青光眼发病机制进行分类的全自动方法，通过留一交叉验证法和十折交叉验证法对该方法进行了验证后，该方法的总体准确率分别为89.2%和85.12%，将AI与AS-OCT相结合可以对眼前节结构的变化做出较为准确的判断，辅助医师对患者的发病机制进行判断，并采取相应的治疗方法，改善青光眼患者预后。

3.2 眼底疾病

3.2.1AMD OCT是一种分辨率高、成像快的、非侵入性和非接触性检查，并且对与AMD相关的视网膜病变高度敏感，近年来已成为诊断AMD的重要检查之一，因此，将AI与OCT检查结合后用于诊断AMD可以进一步提高筛查的效率，具有重要的临床意义。Kermany等[24]构建了拥有108 312张黄斑OCT图像的多中心数据库，让模型运用迁移学习算法自动学习OCT图像，该模型在筛查糖尿病黄斑水肿和AMD的敏感性和特异性、准确率均在95%以上。表明AI通过迁移学习能够有效辅助医生对眼底疾病的诊断，尤其是对AMD进行诊断，并且进一步提高了模型学习的效率，开启了AI在眼科OCT图像中应用的新思路。De Fauw等[25]提出了一个分析临床三维OCT扫描图像的新型框架，通过对图像的分割及转化，将OCT原始图像转化为组织分割图，再对DL网络进行训练，发现该网络对包括AMD在内的视网膜疾病的诊断与临床专家水准相当。尽管该研究仅专注于眼科三维OCT图像，但在未来可以将该研究中的框架应用到更广泛的眼科图像中，为AI在眼科图像中的进一步应用开启新的研究方向。

新生血管性AMD表现为脉络膜毛细血管在黄斑部突破Bruch膜进入视网膜色素上皮层下或视网膜神经上皮层下形成CNV，易发生渗漏或出血，损害患者视力，甚至致盲。龚雁等[26]运用基于弱监督的DL(仅依赖整张图像的标签结果进行训练)，应用微调后的ResNeT-101深度模型对眼科OCT图像的湿性AMD病灶区域进行检测，诊断准确率为94.9%，优于经典CNN AlexNet的85.3%、VGG的88.7%和Google-Net的89.2%。并且ResNeT-101深度模型可以生成和分析病灶热力图，会对判定的患病图像自动根据病灶区域生成一个包含病灶热力图的边框，进一步协助医生快速定位病灶相应位置。可见目前AI在OCT图像的应用不仅能够进行疾病诊断，还能够检测出病灶区域，提供相应的诊断依据，这可能是未来AI在OCT图像中应用的整体发展趋势。

Schmidt-Erfurth等[27]根据中期AMD患眼每个月的标准OCT图像来诊断CNV或地图样萎缩(geographic atrophy，GA)，通过SD-OCT图像获得了黄斑区各部分自动体积分割的图像，开发并验证了一种基于机器学习的预测模型，该模型通过学习AMD是否进展的关键定量特征以及CNV和GA典型预测标志，评估中期AMD转化为晚期AMD的风险，其在CNV和GA诊断上的AUC分别为0.68和0.80。通过对图像标志物进行自动分析，AI系统可实现对AMD的进展进行个体化预测，证实了AI在AMD诊疗中的巨大潜力。

Hwang等[28]设计出一种基于AI和云的远程医疗交互工具，用于AMD的诊断和治疗建议的提出，通过迁移学习和DL，该AI系统对图像的检测准确率普遍高于90.00%，达到与所在医院2位视网膜专科医师的准确率(92.73%和91.90%，P=0.99)，显著优于2位医学生的准确率(69.40%和68.90%，P<0.001)。由此可见，AI辅助诊断系统有望实现AMD疾病筛查工作，而眼科医师将更多地充当监督者的角色，共同完成对图像的诊断。

3.2.2黄斑水肿 临床上黄斑水肿的主要类型有浆液性视网膜脱离(serous retinal detachment，SRD)、弥漫性视网膜增厚(diffuse retinal thickening，DRT)和黄斑囊样水肿(cystoid macular edema，CME)。准确识别和描述黄斑水肿特征有助于诊断、确定疾病的严重程度，从而能够对患者进行精确诊断和合理治疗。Jemshi等[29]用来自杜克大学眼科的标准OCT图像，使用支持向量机分类器自动区分正常眼底图像与黄斑水肿图像，准确率为99.4 975%，灵敏度为100%，特异度为99%。Samagaio等[30]提出了一种结合OCT图像对3种类型的黄斑水肿进行鉴别的新型全自动识别系统，该研究采用多层图像阈值方法鉴别SRD和CME，并采用一种利用强度、纹理和基于临床的信息来识别DRT的复杂区域外观，结果显示该系统对OCT图像中3种不同类型黄斑水肿实现了准确识别，即使3种黄斑水肿类型同时存在也能够正确识别，进一步体现了AI区分复杂OCT图像的能力。

近年来高分辨率的黄斑区OCT图像提供了视网膜的详细解剖数据，被广泛应用于临床医生判断抗VEGF治疗适应证和抗VEGF治疗的随访，Prahs等[31]收集了183 402张视网膜OCT B型扫描图像，参考OCT图像与医院玻璃体内药物注射记录，将进行OCT扫描后21 d内行玻璃体内注射患者的OCT图像分配至注射组，将相同数量的无玻璃体内注射患者的OCT图像分配至未注射组，对图像进行预处理，并对google integation深度卷积神经网络(deep convolutional neural network，DCNN)进行训练。经过训练的DCNN对验证数据集中的图像识别的预测准确率达到了95.5%。对于验证数据集中的单个视网膜OCT B型扫描图像，DCNN的灵敏度和特异性分别达到了90.1%和96.2%。经过训练的DCNN可以在临床决策中为医生提供帮助，但也要注意的是，不能将DCNN的识别结果直接当作治疗建议，应确保由医师进行最终的全面评估。

3.2.3糖尿病视网膜病变 Sandhu等[32]对80例接受常规筛查和定期随访的2型糖尿病患者进行了单中心横断面研究，使用OCT图像来确定计算机辅助诊断系统对非增生性糖尿病视网膜病变(non-proliferative diabetic retinopathy，NPDR)诊断和分级的可行性和准确性；结果显示，在对40例独立测试集患者进行测试时，系统区分正常和NPDR受试者的准确率为92.5%，区分亚临床和轻度/中度NPDR受试者的准确率为95.0%，表明结合OCT、OCTA、临床和人口统计学数据进行NPDR自动诊断可行且准确度高。将容易收集的临床数据与影像学数据相结合，增强了计算机辅助诊断的能力，可被视为现有ML和DL系统的补充。随着OCT检查的普及，未来这些方法有可能应用于DR的筛查。

以上研究表明，AI结合OCT图像已在眼底疾病的诊断、分型以及治疗预后中得到广泛应用，未来的研究潜力巨大。

4 AI结合OCTA图像在眼底疾病中的临床应用

AI结合眼科OCTA图像，可用于眼底血管类疾病的智能诊断。Nagasato等[33]使用DL方法自动检测OCTA图像中由视网膜静脉阻塞(retinal vein occlusion，RVO)引起的非灌注区；研究纳入322张OCTA图像，包括正常及RVO(包括分支RVO和中央RVO)图像，训练使用DCNN算法构建DL模型，结果显示该模型对OCTA图像中非灌注区的检测具有较高的准确性，在临床实践和视网膜疾病筛查中有一定的意义。此外，Guo等[34]还将MEDnet神经网络用于自动检测OCTA图像中的无血管区域，在不同阶段DR受试者以及健康受试者的黄斑中央凹中均有效检测到无血管区域。

Lauermann等[35]使用DL算法对OCTA图像质量进行自动评估，由1位经验丰富的OCTA阅片员对200张随机选择的中央3 mm×3 mm浅血管丛层面的黄斑OCT图像进行了回顾性评价，并根据运动伪影评分和分割精度评分将200张图像分为图像质量合格组(100张)和图像质量不足组(100张)，每组使用其中80张，共160张对模型进行训练，并用余下40张图像进行测试，发现该模型对90%的图像进行了准确的分类，敏感度为90.0%，特异度为90.0%，准确率为90.0%，图像质量不足组和图像质量合格组变异系数分别为(0.96±1.9)%和(1.14±1.6)%。Guo等[36]进一步开发了一个用于区分OCTA中的非灌注区和信号减少伪影的卷积神经网络，发现该网络在不同严重程度DR患者中和扫描质量范围内实现了对非灌注区高特异性和敏感性的检测。由此可见，AI不仅能够判读图像，还能评价和有效提高图像质量，从而进一步提高OCTA的应用价值。Told等[37]应用新型DL辅助模型对24眼初治型新生血管性AMD的OCTA、FFA和吲哚菁绿血管造影(indocyanine green angiography，ICGA)图像中血管进行分割，使用血管注释和连接来估计缩放、平移和旋转的方式训练基于U-Net和R-CNN的模型，发现采用DL辅助方法进行图像配准后，OCTA与FFA和ICGA的面积测量值之间差异无统计学意义。在不久的将来，OCTA有可能与FFA和ICGA一样，作为新生血管性AMD的一线诊断工具。

OCTA图像黄斑中心凹微血管系统一直是手动分割的。Prentašic等[38]使用DL网络对6名健康志愿者的12眼80张OCTA图像黄斑中心凹微血管系统进行自动分割，并与手动分割结果进行比较，结果显示自动分割的最大平均准确度为0.83，与眼科医师的水平相当。手动分割微血管是一项繁琐的工作，因此拥有可靠的血管自动分割系统后，眼科医师可以将更多的精力和时间投入到关键的临床工作当中。

5 小结

近年来，AI技术逐渐多样化地应用于眼科OCT领域，并取得了许多新的研究进展，包括基础算法的革新和更广泛的应用场景，但大多数的研究进展来自于国外团队，如何以我国庞大眼科患病人群和丰富的眼病检查图像资源为基础，运用前沿的AI技术，在眼科OCT领域作出更多应用的探索，是我国眼科AI研究团队所面临的挑战。如何能让已有的眼科AI研究成果成功应用于临床，而非仅局限于研究层面，真正通过AI为拥有OCT检查设备的下级医院赋能，辅助基层眼科医生进行准确和快速诊断，并提高医生的诊疗水平，从而提高眼病的筛查效率，在一定程度上解决我国眼科医疗资源不足和分配不平衡的问题，是我们面临的另一个挑战。

利益冲突所有作者均声明不存在利益冲突