隨著糖尿病患病率的不斷攀升，糖尿病視網(wǎng)膜病變（Diabeticretinopathy,DR）已成為全球主要致盲性眼病之一。因此，DR的早期診斷與治療可謂至關(guān)重要。DR的診斷與分期主要由眼科醫(yī)生通過(guò)對(duì)眼底的直接檢查和彩色照相評(píng)估而得出。但由于DR全球發(fā)病率高，眼科?？漆t(yī)生地域性分布不均，診斷及分期存在主觀性等問(wèn)題，使得全球DR的早期篩查難以進(jìn)行。這一亟待解決的問(wèn)題引發(fā)了諸多研究者的興趣，希望通過(guò)構(gòu)建自動(dòng)化模型，而使DR篩查僅通過(guò)眼底彩照這一客觀檢查即可完成。此前研究結(jié)果大多局限于臨床病例且樣本量較小，與真實(shí)世界數(shù)據(jù)存在一定差距。此外，以往模型仍需人工標(biāo)記、調(diào)整相應(yīng)參數(shù)，并未實(shí)現(xiàn)真正意義上全自動(dòng)化。

為了彌補(bǔ)以往研究的不足，Rishab等提出應(yīng)利用深度學(xué)習(xí)法（人工智能機(jī)器學(xué)習(xí)中的一類方法）來(lái)構(gòu)建DR的全自動(dòng)化篩查模型，具體方法為：首先，隨機(jī)選取75137份糖尿病患者眼底彩照結(jié)果構(gòu)建數(shù)據(jù)庫(kù)，并對(duì)獲得的圖像進(jìn)行預(yù)處理，以排除與診斷不相干的干擾因素。同時(shí)利用數(shù)據(jù)集增強(qiáng)法編碼多個(gè)深度學(xué)習(xí)過(guò)程中的不變因素，如旋轉(zhuǎn)不變性、圖片色彩與亮度不變性等，使得模型具備針對(duì)不同不變因素歸納分類的能力。其次，構(gòu)建深度特征學(xué)習(xí)模型，該研究利用自定義深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)自動(dòng)化識(shí)別提取圖像特征并予以分析，最終判斷所提供彩色眼底照相的對(duì)應(yīng)患者是否患有糖尿病視網(wǎng)膜病變。具體來(lái)說(shuō)，即利用卷積參數(shù)層自我學(xué)習(xí)形成迭代過(guò)濾器，將輸入的圖像轉(zhuǎn)化并逐層映射，利用深度剩余學(xué)習(xí)的原則來(lái)最終實(shí)現(xiàn)模型對(duì)特征的有效區(qū)分，而無(wú)需手動(dòng)進(jìn)行參數(shù)優(yōu)化（圖1）。最后，訓(xùn)練并檢測(cè)模型。將75137份圖像分為5組，對(duì)模型進(jìn)行五次交叉驗(yàn)證，即利用一組圖像讓模型深度學(xué)習(xí)后，運(yùn)用剩余四組進(jìn)行驗(yàn)證并獲得精確度、敏感度、接收者操作特征曲線下面積（AUC），五次驗(yàn)證后取平均值（圖2）。此外，研究還利用75137份圖像訓(xùn)練該模型，并利用其他數(shù)據(jù)庫(kù)（MESSIDOR2andE-Ophtha）進(jìn)行測(cè)試。

研究結(jié)果顯示，該模型針對(duì)研究構(gòu)建的數(shù)據(jù)庫(kù)的精確度、敏感度和AUC可分別達(dá)到98%、94%和0.97。而針對(duì)其他獨(dú)立數(shù)據(jù)庫(kù)MESSIDOR2和E-Ophtha的AUC則可分別達(dá)到0.94和0.95。因此，作者指出該項(xiàng)基于全數(shù)據(jù)驅(qū)動(dòng)的人工智能算法的模型對(duì)于糖尿病患者眼底彩照?qǐng)D的篩查及轉(zhuǎn)診至眼科必要性的判斷，具有較高可信度，并且有望能夠降低由于DR導(dǎo)致的全球致盲率。

參考文獻(xiàn)：Gargeya,R,Leng,TAutomatedIdentificationofDiabeticRetinopathyUsingDeepLearning.Ophthalmol2017.124:962-969.

評(píng)論：DR的早期診斷和治療對(duì)于預(yù)防DR對(duì)視功能的損傷有著至關(guān)重要的作用，但正如文中所述，DR的篩查給眼科醫(yī)生帶來(lái)了很大的工作壓力和負(fù)擔(dān)。一直以來(lái)，我國(guó)通過(guò)建立三級(jí)防治網(wǎng)的方式對(duì)DR進(jìn)行篩查和逐級(jí)深入的治療，也取得了一定的效果，但初級(jí)圖像的閱讀仍然需要耗費(fèi)大量的人力和物力。自動(dòng)化的篩查一直是眼科醫(yī)生的夢(mèng)想，本文的作者利用深度學(xué)習(xí)的方法來(lái)構(gòu)建DR篩查的模型，雖然我們對(duì)這種學(xué)習(xí)方式不甚了解，但其結(jié)果仍然讓人非常振奮。人工智能已經(jīng)在諸多領(lǐng)域取得了很大的突破，應(yīng)用到眼科疾病的診斷和預(yù)防也是未來(lái)的趨勢(shì)。隨著科學(xué)技術(shù)的進(jìn)步，諸如白內(nèi)障、青光眼、視網(wǎng)膜疾病等眼部疾病一定可以通過(guò)自動(dòng)化技術(shù)達(dá)到早期診斷的目的。