|
主编介绍 Rupa Sarkar 《柳叶刀-数字医疗》主编 作者介绍  Dr. Carol Cheung是香港中文大学眼科与视觉科学系的助理教授。近十几年在香港和新加坡工作期间，她一直专注“眼部成像”这一领域，包括视网膜、视神经及视网膜血管成像，主要研究将图像分析技术和人工智能技术应用于眼部疾病的检测和监测，包括糖尿病视网膜病变、青光眼及视网膜图像表现与阿尔兹海默症的关联。在SCI国际索引同行评审期刊上发表超过190篇原创同行评议论文和21篇综述文章，并撰写了10部书的相关章节。除了研究和教学，Dr. Cheung还担任国际科学杂志和国际研究基金赞助机构的评审人、亚太眼部成像学会秘书长、亚太远程眼科学会理事会成员和出纳员以及中国医药教育协会智能学会委员会智能眼科学组成员。  作者采访 Dr. Rupa Sarkar：请简单介绍一下本研究的研究背景。什么是青光眼？目前我们在医疗卫生领域面临着什么样的问题，促使您和您的团队开发人工智能工具来筛查这种疾病？ Dr. Carol Cheung：青光眼是一种复杂的疾病，其对视神经的损伤会导致进行性的、不可逆的视力丧失。目前，全世界约有6000万人患有青光眼。预计全球青光眼患者人数将在2040年增加至1. 12亿。早期慢性青光眼通常仅导致外周视力丧失，患者可能无法察觉。如果未能及时治疗，青光眼可能导致完全且不可逆转的失明。因此，早期发现青光眼对于及时治疗和减轻不可逆转的视力丧失至关重要。然而，针对青光眼的全人群筛查既不划算，也不实际。因为青光眼总体患病率较低，而且青光眼的检测需要进行多项昂贵的检查，其中就包括对视神经乳头的主观检查，而对于这一项检查的结果专家们的意见通常也并不统一，特别是对于诊断早期无症状病例也没有一致意见。目前来说，“青光眼筛查” 主要是在眼科诊所或是在有定期进行眼科检查的人群中完成，只能机会性识别病例。 近十年来，作为一种非接触性、无创的光学技术，光谱域光学相干断层扫描（SD-OCT）技术已越来越广泛地应用于眼科临床中，其通过对视网膜和视神经乳头进行三维成像来识别青光眼的结构性损伤。SD-OCT可用于客观的测量和量化视网膜神经纤维层和其他视网膜神经组织结构，辅助青光眼的诊断和青光眼进展的监测。然而，SD-OCT的结果必须要有经验丰富的青光眼专家或高水准的评估人员来解读。例如，用规范数据库评估视网膜纤维层厚度变薄、理解其他因素如何影响神经纤维层变薄、评估图像质量和伪影以及辨别软件错误。因此，分析解读SD-OCT的成本较高、依赖于主观判断，且耗时耗力。 在包括放射学、病理学和皮肤病学等在内的医学成像领域，正在评估和应用AI和机器学习，特别是深度学习的卷积神经网络（CNNs）。在眼科学中，研究表明，与人类主观评估相比，深度学习CNNs在从二维（2D）视网膜照片或SD-OCT横断面图像中自动分类糖尿病视网膜病变、年龄相关性黄斑变性和其他视网膜疾病方面具有更好的表现。 对于青光眼，此前的算法是基于对2D眼底照片的深度学习，用其来自动检测青光眼损伤被证明是准确且有效的。然而，这种基于2D眼底照片的分析只能评估视网膜和视神经乳头的俯视位影像。其他与青光眼组织结构损伤相关的特征，如内视网膜神经层、视神经乳头形状以及筛板在2D眼底照片中均不可见。因此，我们开发了一种新的3D深度学习系统，旨在充分利用SD-OCT立体扫描的3D信息，自动检测青光眼的组织结构性损伤。 Dr. Rupa Sarkar：请您能简单介绍一下您所开发的深度学习算法，以及您使用什么样的数据库且如何使用这些数据？ An Ran Ran ：3D深度学习算法由ResNet 构建。ResNet 是一种用于3D数据的最先进的卷积神经网络。输入信息是SD-OCT立体数据，输出信息为是/否（Yes/No）有青光眼组织结构损伤。我们在香港两个眼科中心收集了回顾性数据，对深度学习系统进行了训练和测试。初级验证是在这同一个数据库、不重叠的个体上进行的。关于外部验证，我们收集了另外三个独立的数据库，其中两个来自香港，一个来自美国。我们也进行了亚组分析，将与青光眼检测准确率相关的因素进行了分级，包括年龄、左/右眼、性别、信号强度、青光眼严重程度、视盘区的大小和人群种族等。生成的热点图用于定性评估这一深度学习算法的效果。 Dr. Rupa Sarkar：其他人如何使用您所开发的工具？ An Ran Ran ：其他人只需将收集的SD-OCT立体扫描信息输入深度学习系统，系统将自动输出是/否（Yes/No）有青光眼组织结构损伤的信息。 Dr. Rupa Sarkar：能否请您谈一下本研究的一些重要和新颖的发现？这些发现对临床实践和卫生政策可能会产哪些生影响？ Dr. Carol Cheung ：本研究最重要的发现是：证明了这一深度学习系统的性能无论是在初级验证还是独立的外部验证中均与青光眼专家相当，这进一步显示了该算法的通用性。从热点图中我们还观察到，该算法利用青光眼组织结构损伤区域进行分类，如视网膜神经纤维层和神经视网膜边缘，这些特征与医生在培训时所学习的一致。 本研究的新颖之处在于使用了SD-OCT立体扫描所得的3D信息，并训练了一种深度学习算法来分析3D数据，以自动检测青光眼组织结构损伤。 本研究的重要发现在临床实践和卫生政策方面有两大影响。其一，该算法可以为诊所医生检测青光眼提供临床决策支持并节省时间；其二，该算法能够促使展开更经济、实用的青光眼筛查。 Dr. Rupa Sarkar：您在文章中也有提及，这一工具仍然需要进一步的前瞻性研究来确定它的临床应用效果与影响。您能介绍一下研究中这方面的主要结果吗？ An Ran Ran ：我们证明了该深度学习系统的整体性能在初级及外部验证中皆可比拟具有超过10年经验的2名青光眼专家，AUROC值的范围为0.89-0.97，如图1所示 。  图1 我们还发现，年龄、眼睛、性别和信号强度在验证过程中一般不会影响深度学习算法的效果。这表明，我们的深度学习系统所进行的分类决策是准确且可靠的，不仅在原有的回顾性数据库中，而且在其他独立的数据库中都是准确可靠的。此外，从热点图中我们还观察到该算法利用青光眼组织结构损伤区域进行分类，如视网膜神经纤维层和神经视网膜边缘，这些特征与医生在培训时所学习的一致。我们相信，本研究的数据和方法能够为整个青光眼患者人群的医疗保健做出决策。 Dr. Rupa Sarkar：您此前提到您已经将AI深度学习算法与青光眼专家进行了比较，也提到有其他工具利用2D图像来检测青光眼，您的方法如何与这些利用2D图像来检测青光眼的工具相比？ Dr. Carol Cheung ：我们也对2D图像进行了测试，即由SD-OCT生成的en-face图像。在文章中我们也证实了3D深度学习算法比2D系统在效果上更为优异。虽然我们并未在香港收集彩色眼底照片到数据库中，但我们相信完整的3D成像信息更有利于青光眼的检测。 Dr. Rupa Sarkar：基于您所生成的数据，您认为在这个领域中有哪些仍未解决的重要问题亟待未来研究？ Dr. Carol Cheung ：有两个未解决的主要问题。首先，我们仅包括了具有相应视觉功能损伤的已确诊的青光眼病例。在目前的深度学习算法的训练中，我们没有包括视野损伤前青光眼，即青光眼的早期阶段的病例，患者在这一阶段具有组织结构损伤但没有视觉功能损伤。尽管我们已经在一个亚组中测试过目前的算法可以预测多数视野损伤前青光眼，但是为了更加准确地检测，我们计划将视野损伤前青光眼包括在下一个版本的深度学习算法的训练和验证中。如此，患者在早期便可得到眼科医生的诊断和治疗，以降低视力丧失的风险。 其次，我们的深度学习系统仅在基于临床的样本中进行了验证，采用了眼科医生的标注，但并没有关于成本效益的数据。我们打算进行一项前瞻性研究，在适当的人群样本中进一步测试和验证3D深度学习系统，并在不同环境中对使用基于AI的青光眼组织结构损伤的检测模型所能带来的成本收益增量进行评估，模型的特异性和敏感性将被控制在可接受的范围内。 Dr. Rupa Sarkar：这项研究对未来的意义有哪些？ Dr. Carol Cheung ：主要意义是帮助医生解读SD-OCT图像以评估青光眼的组织结构损伤，这一工作目前主要依赖于经验丰富的青光眼专家或高水准的评估人员。尤其是使用常规方法进行青光眼筛查既不划算、又不实用，而基于AI深度学习的筛查手段有巨大潜力，可以通过更具成本效益的方式促进青光眼筛查。这种方式更加快速、自动化，并且不需要大量经过培训且经验丰富的专业人士亲临，就可对有风险的患者进行有效分类，以便进一步检查。最终，这项研究将会实现青光眼的早发现早治疗，并因此进一步减轻因青光眼造成的不可逆转的视力丧失和生活质量损失。END |
|
|
