通过卷积神经网络分析ECT成像和临床检验数据评估糖尿病视网膜病变和糖尿病肾病之间的相关性△

唐 娟 李庆华 邓秀英 鲁 婷 唐国强 林志武 刘兴德 吴小利 方其林 李 盈 王 潇 周 燕 李 彪 戴传强 李 涛

糖尿病是一种以血糖水平异常为特征的公共健康问题[1-2]。据世界卫生组织报道,全球约有4.63亿糖尿病患者,并预测到2045年,全球将有7亿糖尿病患者[3]。随着胰岛素的出现和抗生素的合理使用,糖尿病酮症酸中毒、糖尿病足和严重全身感染等并发症已大大减少[4-6]。然而,糖尿病视网膜病变(DR)、糖尿病肾病(DN)和其他由糖尿病引起的疾病已成为严重影响患者生活质量的主要并发症[7-8]。DR是糖尿病患者最常见的微血管疾病之一,其发病主要取决于糖尿病持续时间、血糖、血压、血脂和糖尿病类型[9]。此外,病程超过10年的糖尿病患者中,几乎80%被诊断为DR,他们的视觉质量随着时间的推移逐渐下降[10-11]。与糖尿病引起的DR发病机制相似,DN也被认为是糖尿病引起的微血管疾病,其特征是糖尿病肾小球硬化的形成[12-13]。此外,约25%的糖尿病患者有肾脏并发症,这已成为发达国家终末期肾病(ESRD)的主要原因[14]。近年来,有研究表明,肥胖、高血压、血脂异常、动脉硬化和其他疾病可能是DR和DN患者的常见危险因素[15]。此外,尿白蛋白排泄率低、肾小球滤过率异常和尿白蛋白肌酐比值异常在DN的发病机制和进展中起着重要作用[16]。同时,糖尿病患者DR的发病时间早于DN,且随着DR的加重,DN的发生率会显著增加。然而,仍缺乏证实DR和DN之间关系的影像学数据[17]。

众所周知,DR的诊断主要取决于眼底检查观察微血管的病理变化[18]。作为确定DR程度的最重要方法之一,眼底造影已成为糖尿病患者快速、无创、耐受性好且可广泛使用的成像技术[19]。此外,与其他侵入性手术(如肾穿刺)相比,发射计算机断层扫描(ECT)采用99Tcm-DTPA作为对比剂,可以显示肾脏的形状、位置和血液灌注,具有无创性和高安全性的优点[20]。卷积神经网络(CNN)与自动特征提取器可对眼底照相和ECT成像图片进行AI智能扫描和数据分析,构建具有深度学习架构的多层神经网络。因此,本研究采用CNN及其各种算法和架构作为深度学习方法来检测和分类视网膜和肾脏图像,并使用ECT成像技术和临床测试标准从多个角度评估DR和DN之间的相关性。

1 资料与方法

1.1 一般资料

选取2021年3月至2022年12月就诊于资阳市第一人民医院的2型糖尿病(T2DM)患者600例,其中男347例,女253例;年龄43～78(59.23±12.48)岁。所有患者均排除1型糖尿病、急性肾损伤、糖尿病酮症酸中毒、急性高血糖症状(伴有重度酮尿)、急性感染、白内障。本研究遵守《赫尔辛基宣言》原则,通过资阳市第一人民医院伦理委员会审批[批号:2021审(231号)],所有患者均签署知情同意书,患者在整个试验过程中充分知晓风险并随时享有退出的权利。

1.2 临床检查数据

记录患者年龄、性别、T2DM持续时间、心血管疾病、脑血管疾病、高血压、吸烟史、饮酒史、体重指数(BMI)、收缩压(SBP)和舒张压(DBP)等临床数据。测量空腹血糖(FPG)、甘油三酯(TG)、总胆固醇(TC)、高密度脂蛋白胆固醇(HDL-C)、低密度脂蛋白胆固醇(LDL-C)、糖化血红蛋白(HbAlc),使用自动生化分析仪(BK-200,BIOBASE博科)评估血肌酐(Scr)和血尿素氮(BUN)水平。通过尿潴留测定24 h尿白蛋白(UAlb)和尿白蛋白/肌酐(ACR)。使用RIA检测试剂盒(Leagean Biotechnology公司,北京)检测微量白蛋白水平。

1.3 DR的诊断及分组

眼科常规检查后行荧光素眼底血管造影检查并确立DR诊断,同时由经验丰富的眼科临床医师根据世界卫生组织制定的DR分期标准进行分级[21];其中无明显DR组、轻度非增生型DR(NPDR)组、中度NPDR组、重度NPDR组和增生型DR(PDR)组患者各120例。

1.4 DN的诊断

根据ECT成像数据,通过肾小球滤过率(GFR)确定本研究中DN的诊断和病变程度[22]。使用计算机ECT成像技术和专用软件获得肾脏区域、肾病深度、肾血流灌注、肾药物摄取率、GFR和峰值时间等数据。

1.5 眼底病变面积传统计算方法

本研究眼底病变面积传统计算方法(TCM)为采用卡尺测量并计算所得,病变面积率=计算的眼底病变面积/眼底图片采集面积×100%。

1.6 眼底病变面积CNN算法

CNN算法作为深度学习的重要组成部分之一,可以实现从下到上(输入-输出)和从左到右(时间t到时间t+1)的信息传输,具体过程见图1。通过CNN对DR和DN的影像图片中病变面积率进行准确计算和对比分析。

图1 通过CNN算法评估DR和DN之间相关性的过程

1.6.1 卷积层的计算方法

将搜索数据放入网络,并进行卷积滤波器滤过。然后,提取数据的局部特征。具体公式为[23]:

1.6.2 下采样层的计算方法

下采样通常使用2×2窗口,最大池层取2×2个数字的最大值,而平均池层取平均值[24]。具体为:

1.7 统计学方法

通过TCM和CNN算法对不同DR分期患者眼底照相(DR1)和荧光素眼底血管造影(DR2)上DR的病变面积率以及ECT图像上DN的病变面积率进行统计分析。应用Graphpad 8.1统计软件处理数据,计数资料采用均数±标准差表示,组间比较采用One-way ANOVA 进行分析。使用Logistic回归分析DR相关危险因素。检验水准:α=0.05。

2 结果

2.1 通过TCM和CNN计算的DR和DN图像上病变区域的差异分析

使用TCM和CNN两种方法评估不同阶段DR患者的DR和DN的病变情况,根据眼底造影分析,无明显DR、轻度NPDR、中度NPDR、重度NPDR和PDR组患者TCM计算的DR病变面积率均低于CNN-DR1和CNN-DR2(CNN-DR1和CNN-DR2分别表示CNN根据眼底照相和荧光素眼底血管造影计算的DR病变面积率)(表1、图2)。CNN-DR2的DR病变面积率高于CNN-DR1。此外,CNN算法(CNN-DN)根据ECT图像计算的无明显DR、轻度NPDR、中度NPDR、重度NPDR和PDR组患者的DN病变面积率均高于依据TCM计算(DN-TCM)的结果(表1)。上述结果表明,与TCM算法相比,CNN算法在DR和DN图像分析方面准确性更高。

表1 通过TCM和CNN计算的DR病变面积率以及ECT图像上DN的病变面积率

图2 计算机辅助CNN算法在DR病变面积率统计分析中的应用模拟图

2.2 不同DR分期患者的病史和实验室数据分析

与无明显DR组相比,轻度NPDR、中度NPDR、重度NPDR和PDR组患者的平均SBP、HbA1c、TC、TG和LDL-C水平均逐渐升高, PDR组患者最高,HDL-C水平逐渐降低,PDR组患者最低,两两相比差异均有统计学意义(均为P<0.05)。5组患者年龄、性别、合并高血压、有饮酒史、DBP和BMI方面差异均无统计学意义(均为P>0.05)(表2)。

表2 不同DR病变程度患者相关临床数据分析

2.3 不同DR分期患者肾功能指标分析

与无明显DR组相比,轻度NPDR、中度NPDR、重度NPDR和PDR组患者的Scr、BUN、UAlb和ACR的平均水平均逐渐增加,PDR组患者最高,两两比较差异均有统计学意义(均为P<0.05)。根据相关指标进一步计算GFR后,与无明显DR组相比,轻度NPDR、中度NPDR、重度NPDR和PDR组患者的平均GFR逐渐降低,PDR组最低,两两比较差异均有统计学意义(均为P<0.05)(表3)。

表3 不同DR病变程度患者间Scr、BUN、UAlb、ACR、GFR的数据统计分析

采用Logistic回归分析与DR相关的危险因素(表4)。结果表明,T2DM持续时间、吸烟史、HbA1c、TC、TG、HDL-C、LDL-C、Scr、BUN、UAlb、ACR、GFR均是DR的独立危险因素(均为P<0.05)。

表4 DR病变相关危险因素的Logistic回归分析

DN的总体发病率为77.67%,无明显DR、轻度NPDR、中度NPDR、重度NPDR和PDR组患者DN发病率分别为1.67%、8.83%、16.16%、22.16%和30.83%,随DR的加重DN发病率逐渐增加,差异有统计学意义(P<0.05)(表5)。

表5 不同DR病变程度患者DN分期情况

2.4 ECT成像技术分析不同DR分期患者的肾功能指标

肾动态ECT成像技术分析结果表明,无明显DR、轻度NPDR、中度NPDR、重度NPDR和PDR组患者随着DR的加重,显影的肾脏区域和肾病深度均增加,肾血流灌注、肾药物摄取率及GFR均降低,差异均有统计学意义(均为P<0.05)(表6)。

表6 不同DR病变程度ECT图像数据相关参数分析

3 讨论

目前,大多数眼科医生根据自己的临床经验对眼底照相或者荧光素眼底造影图片进行病变范围的评估,缺少对于图片等影像资料的系统性分析,特别是缺乏对DR病变面积的准确性分析。Ragab等[24]研究认为,CNN算法可以有效提高DR患者的诊断,准确率超过95%;Ayoub等[25]研究认为,CNN算法应用于糖尿病患者眼底筛查影像技术中,将有助于提高DR的诊断准确性。本研究利用CNN算法分析DR和DN患者影像图片,并通过临床数据对不同DR和DN分期患者之间的相关性进行对比分级,结果发现:(1)与TCM算法相比,CNN提供了一种更准确和方便的自动图像分析方法,这对区分DR患者的眼底视网膜血管病变范围具有重要意义;(2) T2DM持续时间、吸烟史、HbA1c、高胆固醇血症、肾功能不全和高HbA1c水平与DR和DN的发生密切相关;(3)随着DR的逐渐加重,DN的发病率逐渐增加。

糖尿病患者长期高血糖可导致多器官功能障碍,其中微血管病变是主要的病理表现[26-27]。DR和DN是最常见的糖尿病微血管病变类型,它们具有共同的发病机制,涉及遗传因素、晚期糖基化终末产物、多元醇途径、细胞因子和免疫炎性因子等[28]。DN患者往往发病隐匿,早期无明显临床症状。大多数患者在5年糖尿病期内运动后出现微量白蛋白尿,10～15年后出现持续性微量蛋白尿,15～25年后出现大量蛋白尿,25年后进入肾衰竭阶段。现在,它已成为终末期肾病的主要原因[29-30]。因此,如何早期在糖尿病患者中筛查出DN,对有效控制糖尿病的发展具有重要意义。

DR的主要病理变化是基底膜增厚、微血管瘤形成、内皮细胞增殖、血-视网膜屏障破坏、毛细血管阻塞和新生血管形成[31]。主要临床表现为黄斑水肿、视力受损甚至失明。研究表明,在T2DM患者中,DR的发病率将随着T2DM持续时间的延长而逐年增加[28]。在T2DM持续10年内,发病年龄越大,DR的发病率越高。如果T2DM持续时间超过10年,无论患者的年龄如何,DR的严重程度都会显著升高。Sacchetta等[11]研究认为,对T2DM患者早期使用散瞳检查进行眼底筛查,可有效预防与治疗DR病变,同时结合患者的全身血液学指标进行DN和糖尿病周围神经病变筛查及治疗,将有效改善患者生存质量,但目前针对DR患者与DN患者的相关性研究尚需进一步讨论。本研究采用CNN算法,对DR和DN患者的检查图片进行分析,结果表明,与TCM算法相比,CNN算法在DR和DN图像分析方面准确性更高。分析肾功能相关指标结果表明,随着DR病变程度的加重,患者Scr、BUN、UAlb和ACR水平逐渐升高,而GFR逐渐降低,与DN相关的检测指标呈现逐渐恶化的趋势。Logistic回归分析结果显示,T2DM持续时间、吸烟史、HbA1c、TC、TG、HDL-C、LDL-C、Scr、BUN、UAlb、ACR和GFR是DR的独立危险因素。Dolgyras等[31]研究表明,吸烟会产生许多有害的化学物质,如一氧化碳和焦油,这些物质会增加血液黏度,缩小血管通道,从而导致更多的胆固醇留在血管壁,进一步导致血管壁受损,降低血管弹性,并诱发全身性血管病。此外,HbA1c的增加进一步加速了DR和DN中微血管疾病的发展,并通过血流动力学、多元醇途径和其他效应在视网膜病变和肾病的发生中发挥重要作用,这表明长期高HbA1c是DR和DN发病机制中的一个重要因素[32]。本研究进一步从不同DR病变程度患者DN异常率角度分析,结果提示,DN的发病率随DR的加重而逐渐增加,说明在DR患者中早期进行DN相关指标筛查,特别是对PDR期患者进行肾脏功能指标检测,将有助于早期在DR患者中筛查出肾脏病变的患者。

肾血流动力学的变化也是DN发生和发展的主要原因之一,GFR是反映这种变化的敏感指标之一[33]。本研究采用无创安全的ECT成像技术对不同病变程度的DR患者进行肾血流灌注成像,结果发现,随着DR病变的加重,肾血流灌注和肾实质图像减少,肾实质的出现和消退延迟。可见使用ECT成像技术对DR患者的相关肾脏指标进行早期筛查将有助于降低DN的发生率。

4 结论

CNN算法为分析DR和DN图像提供了一种更准确、高效和更简单的方法。在T2DM患者中,随着DR的加重,DN的严重程度以线性关系逐渐增加。同时,T2DM持续时间、高血压、血脂异常和肾功能障碍是DR患者患DN的重要危险因素。与肾穿刺等侵入性手术相比,ECT成像技术在DR患者肾功能检测中的应用具有无创性、安全性和高通用性的优点,该技术可以早期有效筛查DN患者,及时采取干预措施,延缓DN的发展,提高糖尿病患者的长期生活质量。