近日，我院眼科王康教授團隊在視網膜疾病領域著名期刊Retina上發表論文Development and Validation of an Explainable Artificial Intelligence Framework for Macular Disease Diagnosis Based on OCT Images.

在本研究中，王康教授團隊提出了一種新的具有更強解釋性的融合圖像水平病變識別和眼睛水平病種診斷的人工智能集成框架，該架構包括應用深度學習實現對OCT圖像上的多種視網膜病變進行識別以及應用隨機森林方法在單眼層面基于一系列病變信息來診斷可能的黃斑疾病。本研究在大量數據上開發和驗證這一基于OCT圖像水平視網膜病變分類和眼部水平黃斑疾病診斷的更具說服力的框架。

黃斑位于視網膜后極部，是人類視覺產生的重要結構。當患者黃斑出現某些病變時，可發展為損害視力的黃斑部疾病，例如糖尿病性黃斑水腫(diabetic macular edema，DME)和老年性黃斑變性(age-related macular degeneration，AMD)。DME是糖尿病的主要并發癥之一，全球超過2000萬例糖尿病患者中，平均每15名糖尿病患者中就有一人受到DME的影響。AMD是老年人部分或全部失明的主要原因，可分為干性AMD和濕性AMD。準確識別視網膜病變和黃斑部疾病對臨床診斷和治療具有重要意義。基于OCT影像，臨床醫生可以識別與疾病診斷相關的各種視網膜病變，開發一種OCT影像智能分析系統在眼科領域很受關注。

本研究采用Spectralis OCT設備(Heidelberg Engineering, Heidelberg, Germany)，中心凹為掃描中心，B-scan間隔=240 μm；掃描范圍包括31幅圖像，水平范圍30°，垂直范圍25°。

本研究遵循赫爾辛基宣言的原則，并得到了我院醫學倫理學委員會的批準。該研究收集了2016年至2020年在我院受檢的865只眼，沒有基于年齡、性別或其他人口統計信息的排除標準，共26815張Heidelberg Spectralis OCT圖像，納入了9個視網膜病變（視網膜前膜（epiretinal membrane，ERM）、視網膜內高反射物質、IRF、SRF、視網膜下高反射物質、纖維血管色素上皮脫離、漿液性色素上皮脫離、玻璃膜疣和GA和3個黃斑疾病（DME、干/濕性AMD)。

專家招募了4名初級臨床專家(2名眼科醫生和2名驗光師，每人都有5年以上的視網膜臨床工作經驗)和2名高級眼科醫生(每人都有20年以上的臨床視網膜工作經驗)進行病變注釋。最后，將所有標注的數據集劃分為訓練集(731只眼)、驗證集(54只眼)和測試集(80只眼)。這些數據集中保存了相似的病變和疾病類型分布。訓練和驗證集用于優化模型參數，測試集用于評估算法的性能。

王康教授團隊采用深度學習將圖像按一定特征進行分類識別視網膜病變和再采用隨機森林鑒別黃斑部疾病，并將這兩階段集成框架的性能與眼科專家進行了比較和評估。

在80只眼的2480張海德堡OCT圖像測試數據集上，深度學習模型的平均曲線下面積(Area Under Curve, AUC)為0.978 (95% CI, 0.971-0.983)。隨機森林能夠以0%的錯誤率進行準確的疾病診斷，其準確率與1位眼科專家相同且優于其他3位專家。黃斑中心部位特異性病變的檢測對黃斑疾病的診斷有更大的貢獻。  

收集的眼睛的疾病類別是根據電子病歷中先前的診斷確定的，并由2名資深眼科醫生進一步確認。除正常眼外，還納入3種黃斑病變，包括DME、干性AMD和濕性AMD。

王康教授團隊所開發的這一方法在基于海德堡OCT圖像進行視網膜病變分型和黃斑病變診斷方面具有較高的準確性和可解釋性，有促進臨床診斷的潛力。

本研究基于海德堡OCT影像，應用人工智能方法包括深度學習 （Deep learning）和隨機森林（Random forests）在視網膜病變分類和黃斑病變診斷中實現了高精度和可解釋性，并有可能促進臨床診斷。（眼 科）