全身性疾病可以从眼睛图像中识别出来!　一种利用眼底图像估计系统性疾病的拟议模型!

医疗 05/06/2022

三个要点
✔️ 在糖尿病和其他慢性疾病中，早期发现比诊断更重要，因为疾病发生后往往很难改善。
✔️ 在这项研究中，深度学习被用来结合眼底图像和临床元数据--年龄、性别、身高、体重、体重指数和血压--来识别慢性肾脏疾病（CKD-和2型糖尿病（T2DM）使用深度学习。
✔️ 评估结果证实，拟议模型的估计性能--ROC曲线下的面积：AUC--达到了0.85-0.93。

Deep-learning models for the detection and incidence prediction of chronic kidney disease and type 2 diabetes from retinal fundus images
written by Kang Zhang, Xiaohong Liu, Jie Xu, Jin Yuan, Wenjia Cai, Ting Chen, Kai Wang, Yuanxu Gao, Sheng Nie, Xiaodong Xu, Xiaoqi Qin, Yuandong Su, Wenqin Xu, Andrea Olvera, Kanmin Xue, Zhihuan Li, Meixia Zhang, Xiaoxi Zeng, Charlotte L. Zhang, Oulan Li, Edward E. Zhang, Jie Zhu, Yiming Xu, Daniel Kermany, Kaixin Zhou, Ying Pan, Shaoyun Li, Iat Fan Lai, Ying Chi, Changuang Wang, Michelle Pei, Guangxi Zang, Qi Zhang, Johnson Lau, Dennis Lam, Xiaoguang Zou, Aizezi Wumaier, Jianquan Wang, Yin Shen, Fan Fan Hou, Ping Zhang, Tao Xu, Yong Zhou, Guangyu Wang
(Submitted on 1 Jul 2021)
Comments: Nature Biomedical Engineering

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

背景

是否有可能从眼底图像中估计系统性疾病？

本研究旨在利用眼底图像，基于CNN的时间序列分析，建立一个CKD和T2DM的预测模型。

CKD和T2DM等系统性疾病与癌症和心血管疾病一样，与死亡风险密切相关--它们不仅需要透析和移植，而且与心血管和其他疾病的发展及死亡率密切相关。此外，许多这种情况是不可逆的，一旦形成就很难纠正，因此早期诊断和治疗非常重要。定期健康检查是早期发现、诊断和预防此类CKD和T2DM进展的常见措施；另一方面，进行这些检查需要资源，如具有特定技能的测量人员--因此，在资源有限的环境下，有需要新的早期预防方法来取代健康检查。在这种情况下，人们的注意力集中在眼底成像上，它可以从体外直接观察到血管：眼睛的视网膜可以无创地观察到血管、神经、结缔组织和血管的动态运动，因此，如果一种系统性疾病正在发展，其具体表现很可能出现在眼底。另一方面，基于这些图像，利用深度学习预测与CKD和T2DM相关的疾病发病和CKD早期诊断的模型研究有限，目前估计性能还不清楚。

这项研究的目的是建立一个学习模型，通过分析眼底图像来检测CKD和T2DM：具体来说，是一个预测连续值的回归任务--即估计肾小球滤过率：eGFR--和构建并验证基于深度学习的眼底图像分析模型，对照二元分类进行诊断：验证结果表明，眼底图像在预测疾病发病和风险分层方面可以达到很高的准确性。

什么是慢性肾脏疾病：CKD？

首先，对分析的对象--CKD进行了简单的描述。

CKD是肾功能长期下降的疾病的总称--即糖尿病、高血压和慢性肾炎。其特点是由于血糖和低密度脂蛋白胆固醇等动脉粥样硬化的危险因素增加而导致的肾功能下降--即由于生活方式引起的血管功能障碍，导致毛细血管团的功能下降，肾功能下降。早期发现和治疗很重要，因为该病在早期一般没有症状，一旦恶化就很难补救。

技术

拟议模型

本节概述了研究中使用的拟议模型--见下图。

建议的模型基于ResNet-50，在ImageNet上进行了预训练，并通过转移学习建立：ResNet-50有一个卷积和四个块，并引入了一个跳过连接--这使得在避免梯度损失的同时，在更深的层中学习。对于连续值预测的回归任务--即空腹血糖--我们定义了一个Dense层，其中一个标量作为ResNet-50模型的最后一层，一个标量作为输出；对于二进制分类，我们增加了Dense+Softmax。为了重新训练，我们在CNN层设置了权重，并初始化了用于回归和二元分类的层。此外，在密集层中引入了三层MLP--其中两个隐藏层持有128节点的ReLU激活函数。作为损失函数，MSE损失被设定为连续值预测，交叉熵损失被设定为二进制分类。误差反向传播是在32张图像上进行的，每批50个历时，大小为512 x 512像素，学习率为10-3。使用Adam优化器作为优化函数，其权重衰减为10-6。数据集的训练也是以7/8的随机比例进行训练，1/8的比例进行验证。基于临床数据的模型由年龄、性别、血压、身高、体重、BMI、高血压和T2DM组成，综合模型与眼底图像相结合，预测进展风险。此外，根据初次就诊时的风险评分，预测的风险评分根据上、下四分位数分为三组：低、中、高风险--风险评分作为分类变量，根据四分位数来处理。

CKD和T2DM的发病机理分析

对于这些疾病的发病率分析，包括基线时没有CKD的数据：所有基线时尿检为阴性的参与者都包括在内，并且在随访期间达到CKD-或晚期+CKD-的标准。随访期间达到CKD-或晚期+CKD-标准的受试者被定义为事件。同样，对于T2DM，T2DM的发病定义为在第一次访问时是T2DM的受试者，并且在随访时符合标准。

结果。

本节介绍了评估情况。

CKD估计的准确性

我们测试了眼底图像和临床数据--即年龄、性别、身高、体重和血压--是否能预测CKD的早期发现和严重程度：在这里，使用临床数据的基线模型---。构建并验证了随机森林--和一个使用眼底图像的拟议模型，以及一个同时利用临床数据和眼底图像的学习模型。

这些训练模型的估计性能-AUC-如下：随机森林：0.861；仅眼底图像：0.918；结合临床数据和眼底图像：0.930-见下图。此外，为了证明这些模型的通用性，在一个外部队列中分别进行了验证，证实了以下估计性能--AUC--：临床数据：0.842；眼底图像：0.885；结合临床数据和眼底图像：0。898.

T2DM的预测。

利用眼底图像和深度学习模型，构建了一个T2DM检测模型。数据集按以下比例分割和训练--训练：验证：测试=7:1:2。在此背景下，拟议模型的估计性能--AUC--如下：临床。只有数据：0.828；只有眼底图像：0.923；综合模型：0.929--见下图。此外，利用外部测试数据的评估结果如下--仅临床数据：0.796；仅眼底图像：0.854；综合模型：0.871。此外，利用智能手机摄像头拍摄的图像对外部测试数据的评估结果如下仅临床数据：0.762；仅眼底：0.820；综合模型：0.845。在没有DR的病人中也进行了验证。T2DM患者被分为两个子集--DR和NDR--并进行评估。结果显示，所提出的模型在估计有DR和无DR的T2DM方面的性能相似：表明所提出的模型的性能在很大程度上不受DR的影响；因此，这些结果表明，所提出的模型可以在DR发生之前基于眼底图像检测T2DM--无论有无DR。-，表明可以检测到T2DM。此外，还对一个仅从眼底图像预测平均血糖水平的模型进行了评估，表明仅从眼底图像就可以预测和量化血糖水平。

考虑

在这项研究中，利用眼底图像建立了预测CKD和T2DM发病的估计模型--假设使用这种数据的估计模型不仅可以应用于专用眼底成像相机拍摄的眼底图像，还可以应用于使用智能手机和其他设备拍摄的眼底图像。可以推断，使用这种数据的估计模型不仅可以应用于专用眼底成像相机拍摄的眼底图像，也可以应用于使用智能手机拍摄的眼底图像。基于本研究的评估结果，这些发现很可能导致一种无创的、低成本的筛查方法，用于早期检测CKD和T2DM。

另一方面，这项研究的挑战可能包括：种族偏见；建立模型以考虑到快速肾脏疾病；额外的临床数据。由于本研究是基于来自中国的患者占反多数的数据集进行训练和测试的，因此设想需要得出在其他种族群体--即西方和西方人--中的估计性能，以验证拟议模型的普遍性。在这项研究中，作为额外的验证，该模型在喀什-喀什（新疆）和澳门-葡萄牙（澳门）的另一个外部多民族验证队列中进行了评估，结果显示取得了较高的估计性能。它已被证明能达到很高的估计性能--见论文；因此推断可以利用更多的临床和人口群组的额外数据集来扩大诊断的准确性和在更多人群中的临床效用；第二，与eGFR的测量有关的挑战是测量：在肾功能迅速恶化的疾病中--例如急性肾损伤（AKI）--疾病的发展是迅速的--这种行为与通常逐渐发展的CKD是不同的。因此，对这些疾病的估计性能可能会很差。因此，在本研究中，评估时排除了合并有AKI的患者--或有高概率发展为AKI的患者；第三，临床元数据--即血压趋势、吸烟状况、酒精摄入水平、家族史。-应该考虑增加这些数据是否会提高预测的准确性。