高度近视周边视网膜病变的筛查中，视网膜脱离及其前置性病变（格子样变性和视网膜裂孔）无疑是筛查的重点，如果缺乏及时的干预治疗，可能会引起严重视力下降，甚至失明。这种情况在豹纹状眼底的患者中更为显著，据报道，约有近50%的高度近视豹纹状眼底患者合并有周边视网膜病变。因此，有必要对豹纹状眼底的周边视网膜进行评估，以尽早发现视网膜脱离风险，并对格子样变性及视网膜裂孔等进行密切随访或预防性的激光治疗。但是，周边视网膜的检查需要有较高的玻璃体视网膜专业技能，并在散瞳条件下完成，大大降低了该项筛查的临床可及性。为了提高筛查效率和可及性，医院眼科陈有信教授团队利用人工智能技术开发出了基于超广角眼底影像（Optos）的深度学习模型，以同时识别豹纹状眼底中格子样变性，视网膜裂孔和视网膜脱离三种视网膜病变，初步研究结果发表在年2月的GraefesArchiveforClinicalandExperimentalOphthalmology上。
在该研究中，3名眼底专科医生对张Optos彩照进行豹纹状眼底的确认和三种周边视网膜病变（格子样变性，视网膜裂孔和视网膜脱离）的评估，其一致性评估结果被作为模型学习标准参考。在确认后的豹纹状眼底数据集中，张图片被随机分配用于深度学习模型的训练和验证，另张图片用以检验模型效果。在模型训练中，研究采用seResNext50算法，对3种病变均采用2种图形预处理方法（原图调整和裁切）进行二分类模型训练，以各自最优模型构成最后的深度学习系统。初步研究结果显示，对于格子样变性和视网膜脱离，原图调整法的训练效果更好，而裁切法则更适用于视网膜裂孔的模型建立。在最优预处理方式下，该联合深度学习模型对豹纹状眼底格子样变性、视网膜裂孔和视网膜脱离识别的曲线下面积（AUC）分别为0.,0.和1.，而模型转诊正确率为79.8%（图1）。
与此前的研究相比，本研究首次将视网膜脱离及其前置性病变（格子样变性和视网膜裂孔）进行联合识别，同时将格子样变性和视网膜裂孔进行了独立区分，三种病变同期识别，但独立报告的模型结果对转诊的紧迫性具有分层作用。同时，研究中尝试不同的图形预处理方法也对模型结果产生了优化作用。本研究作为一个初步的尝试性研究，其研究结果还有待独立外部数据集的检验，同时，在未来模型验证过程中，还需要结合Goldman三面镜的检查结果对模型结果准确性做进一步验证。
总的来说，该深度学习模型联合识别豹纹状眼底中格子样变性、视网膜裂孔和视网膜脱离病变的可行性已初步得到验证，但该模型还有待外部数据集的检验，以期未来在高度近视周边视网膜病变筛查和远程医疗中为我们提供帮助。
图1格子样变性、视网膜裂孔和视网膜脱离的联合识别。该超广角图像中三种目标病变分别在热图b（格子样变性），c（视网膜裂孔）和d（视网膜脱离）中突出显示。
点评
对于周边视网膜病变的观察记录，需要依赖于超广角影像系统，而optos是目前使用最广泛的超广角眼底照相系统计。Optos形成的眼底图像与传统的眼底照相系统相比，在分辨率、色彩等方面有所不同，同时周边病变的观察也受到眼球像差等因素影响，这篇文章克服了这些深度学习技术上的挑战，得到了很好的研究结果，意味着陈有信教授团队在深度学习技术上已经拓展到基于超广角眼底照相系统（optos）的图像识别，并将在这方面做更多的工作。
医院
于伟泓
总主编：陈有信副总主编：赵潺轮值主编：邹绚编委：李东辉，张夏，陈迪，李文硕，韩若安，贺峰，卞爱玲，张燕宁，陈哲，孙璐，谢海燕，曹淼，翁再虹，王新瑞编辑：翁再虹预览时标签不可点收录于话题#个上一篇下一篇