中大新聞網(wǎng)訊（通訊員唐艷麗）2022年6月1日，中山眼科中心張秀蘭教授團(tuán)隊(duì)基于眼底彩照預(yù)測(cè)青光眼發(fā)病及進(jìn)展的長(zhǎng)文論著在Journal of Clinical Investigation（JCI，即時(shí)影響因子19.3）在線(xiàn)刊登。這是該團(tuán)隊(duì)繼在NPJ Digital Medicine、Ophthalmology、Medical Image Analysis等發(fā)表10篇高質(zhì)量青光眼人工智能論著后的又一豐碩成果。

該研究主要分為兩個(gè)部分：青光眼發(fā)病預(yù)測(cè)和進(jìn)展預(yù)測(cè)。

發(fā)病預(yù)測(cè)（incidence prediction）指基于基線(xiàn)眼底彩照評(píng)估3-5年后受試者轉(zhuǎn)為青光眼性視神經(jīng)病變的風(fēng)險(xiǎn)。首先進(jìn)行眼底彩照閱片，同一張圖片的標(biāo)簽由三位醫(yī)生投票決定，分為青光眼和非青光眼。閱片時(shí)圖片時(shí)間順序隨機(jī)打亂。然后綜合分析同一只眼的隨訪(fǎng)數(shù)據(jù)，分為兩類(lèi)：第一類(lèi)為基線(xiàn)非青光眼而后續(xù)隨訪(fǎng)變?yōu)榍喙庋郏?yáng)性樣本）；第二類(lèi)為基線(xiàn)非青光眼且后續(xù)隨訪(fǎng)一直保持非青光眼（陰性樣本）?；谏鲜鰯?shù)據(jù)，研究團(tuán)隊(duì)開(kāi)發(fā)發(fā)病預(yù)測(cè)模型，基于基線(xiàn)眼底彩照預(yù)測(cè)未來(lái)發(fā)生青光眼的概率。發(fā)病預(yù)測(cè)模型由分割模塊（Unet）與預(yù)測(cè)模塊（ResNet）兩部分組成（圖1），基于10357只眼（112個(gè)陽(yáng)性樣本、10246個(gè)陰性樣本）的數(shù)據(jù)進(jìn)行訓(xùn)練。在包含1674只眼的兩個(gè)外部隊(duì)列中進(jìn)行驗(yàn)證，取得了0.89和0.88的AUC值。

進(jìn)展預(yù)測(cè)（progression prediction）指基于基線(xiàn)眼底彩照評(píng)估青光眼患者在未來(lái)3-5年發(fā)生視野進(jìn)展的風(fēng)險(xiǎn)。該部分研究受試者均接受眼底彩照和視野配對(duì)檢查。首先進(jìn)行視野閱片，同一只眼的縱向視野報(bào)告由三位醫(yī)生分別閱片，分為有視野進(jìn)展（陽(yáng)性樣本）和無(wú)視野進(jìn)展兩組（陰性樣本）。基于上述數(shù)據(jù)，研究團(tuán)隊(duì)開(kāi)發(fā)進(jìn)展預(yù)測(cè)模型，基于基線(xiàn)眼底彩照預(yù)測(cè)未來(lái)發(fā)生青光眼進(jìn)展的概率。進(jìn)展預(yù)測(cè)模型同樣由分割模塊（Unet）與預(yù)測(cè)模塊（ResNet）兩部分組成（圖1），基于3003只眼（327個(gè)陽(yáng)性樣本、2676個(gè)陰性樣本）的數(shù)據(jù)進(jìn)行訓(xùn)練。在包含850只眼的兩個(gè)外部隊(duì)列中進(jìn)行驗(yàn)證，取得了0.87和0.88的AUC值。

在進(jìn)一步的可解釋性分析中，熱圖表明人工智能模型預(yù)測(cè)風(fēng)險(xiǎn)時(shí)主要依據(jù)視盤(pán)邊緣和盤(pán)沿上、下血管弓區(qū)域，與臨床醫(yī)生評(píng)估青光眼損傷時(shí)的關(guān)注點(diǎn)極為相似（圖2）。

該研究首次在大樣本縱向眼底彩照數(shù)據(jù)上實(shí)現(xiàn)了基于基線(xiàn)數(shù)據(jù)的青光眼病情預(yù)測(cè)。將基線(xiàn)眼底圖像輸入AI模型，即可得出健康受試者在未來(lái)3-5內(nèi)發(fā)展為青光眼或青光眼患者視野進(jìn)展的風(fēng)險(xiǎn)。該成果有三大亮點(diǎn)：1）首次實(shí)現(xiàn)基于A(yíng)I的青光眼發(fā)病及進(jìn)展預(yù)測(cè)，且算法在外部測(cè)試集依舊保持出色的預(yù)測(cè)性能；2）青光眼發(fā)病預(yù)測(cè)數(shù)據(jù)來(lái)自社區(qū)篩查隊(duì)列，更好地反映青光眼在人群中的分布特征，加強(qiáng)了AI模型的泛華性和可靠性；3）AI模型成功地從基線(xiàn)眼底彩照中識(shí)別出視野惡化的高風(fēng)險(xiǎn)患者，實(shí)現(xiàn)了基于結(jié)構(gòu)的功能預(yù)測(cè)；且AI模型對(duì)不同的青光眼亞型，包括POAG和PACG都表現(xiàn)了較高的預(yù)測(cè)準(zhǔn)確性。

圖1. 用于青光眼發(fā)病和進(jìn)展預(yù)測(cè)的深度學(xué)習(xí)系統(tǒng)設(shè)計(jì)、驗(yàn)證流程示意圖

圖2. 深度學(xué)習(xí)模型熱圖提示人工智能模型預(yù)測(cè)發(fā)?。ˋ、B）及進(jìn)展（C、D）主要關(guān)注視盤(pán)邊緣和盤(pán)沿上、下血管弓區(qū)域，與臨床上的關(guān)注點(diǎn)極為相似

該論文第一作者為李飛（中山眼科中心，排名第一）、蘇遠(yuǎn)東（四川大學(xué)）、林鳳彬（中山眼科中心）、李志煥（澳門(mén)科技大學(xué)）；張秀蘭（中山眼科中心，最后通訊作者）、張康（澳門(mén)科技大學(xué)）為并列通訊作者。中山大學(xué)中山眼科中心、眼科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室及廣東省眼部疾病臨床醫(yī)學(xué)研究中心為第一單位。國(guó)內(nèi)23家單位共28個(gè)研究者共同參與了此項(xiàng)研究。

近年來(lái)，在中山眼科中心臨床研究中心平臺(tái)支持下，張秀蘭教授團(tuán)隊(duì)從青光眼數(shù)據(jù)庫(kù)構(gòu)建到算法開(kāi)發(fā)進(jìn)行了深入探索，創(chuàng)建了目前國(guó)際上最完備的集青光眼預(yù)防、篩查、診斷一體化智能系統(tǒng)（iGlaucoma），發(fā)表了16篇相關(guān)高質(zhì)量論著，10篇發(fā)表于中科院醫(yī)學(xué)類(lèi)1區(qū)期刊，包括NPJ Digital Medicine、Ophthalmology、Medical Image Analysis、IEEE Transactions on Medical Imaging等，申請(qǐng)中發(fā)明專(zhuān)利9項(xiàng)（含2項(xiàng)PCT專(zhuān)利）、獲批1項(xiàng)，獲批軟件著作權(quán)1項(xiàng)。建立了全球最大的眼科多病種精標(biāo)數(shù)據(jù)共享平臺(tái)iChallenge支撐292篇科研論文發(fā)表（截至2022年4月26日），團(tuán)隊(duì)牽頭制定我國(guó)首個(gè)關(guān)于眼底彩照數(shù)據(jù)質(zhì)量控制規(guī)范的團(tuán)體標(biāo)準(zhǔn)《眼底彩照標(biāo)注與質(zhì)量控制規(guī)范（T/CAQI 166-2020）》并在WHO-ITU立項(xiàng)（編號(hào)SG16-TD227/WP2），為規(guī)范新興的眼科AI發(fā)展做出了重要貢獻(xiàn)。未來(lái)團(tuán)隊(duì)將繼續(xù)探索應(yīng)用AI技術(shù)簡(jiǎn)化、統(tǒng)一青光眼診療流程，實(shí)現(xiàn)青光眼診療標(biāo)準(zhǔn)化、數(shù)字化、智能化。

論文鏈接：https://doi.org/10.1172/JCI157968