编辑推荐：
为解决现有深度学习（DL）算法无法准确识别急需治疗的增殖性糖尿病视网膜病变（PDR）患者的问题，研究人员开发 DL 分割模型检测 PDR。结果显示该模型敏感性达 90%、特异性 70%。这有助于优化医疗资源分配、改善患者护理。
糖尿病，这个如今在全球范围内肆意蔓延的慢性疾病，正如同一场无声的风暴，席卷着无数人的健康。目前，全球糖尿病患者人数已高达 4.63 亿，并且这个数字还在持续攀升。糖尿病所引发的一系列并发症中，糖尿病视网膜病变（Diabetic Retinopathy，DR）尤为棘手。其中，增殖性糖尿病视网膜病变（Proliferative Diabetic Retinopathy，PDR）更是严重威胁着患者的视力。
PDR 的发生源于长期的高血糖状态，它会破坏血管内皮细胞，导致毛细血管堵塞，进而使视网膜缺血。为了 “自救”，视网膜会释放出促血管生成的血管内皮生长因子（Vascular Endothelial Growth Factor，VEGF），这些因子会刺激生成新的血管。然而，这些新生血管十分脆弱，不仅容易出血，还可能导致视网膜脱离，最终让患者失明。据统计，全球 1 型糖尿病患者中 PDR 的患病率约为 32.4%，2 型糖尿病患者中也有 3.0% 。尽管 DR 筛查和全身因素的管理在一定程度上降低了 PDR 致盲的风险，但糖尿病患者数量的不断增加，使得 DR 的防治形势依旧严峻。
在这样的背景下，深度学习（Deep Learning，DL）技术的出现，为 DR 的诊断带来了新的希望。DL 作为一种强大的机器学习技术，在图像识别领域展现出了巨大的潜力。一些 DL 模型在检测威胁视力的 DR 时，表现出了超过 90% 的敏感性和特异性 。不过，现有的 DL 模型存在一个关键问题：它们无法准确区分活跃的 PDR 和稳定的非活跃 PDR。对于临床医生来说，准确判断 PDR 的活跃状态至关重要，这直接关系到患者是否需要立即接受治疗。在医疗资源有限的地区，如果将不需要紧急治疗的轻度非增殖性 DR（NPDR）患者转诊，会给筛查系统带来沉重的负担。因此，开发一种能够精准识别活跃 PDR 的 DL 模型迫在眉睫。
来自丹麦的研究人员勇挑重担，开展了一项极具意义的研究。他们的目标是开发并验证一种 DL 分割模型，通过标注新血管（New Vessels，NV）和视网膜前出血（Preretinal Hemorrhages，PRH），来检测需要紧急治疗的活跃 PDR。该研究成果发表在《Ophthalmology and Therapy》杂志上，为 PDR 的诊断提供了新的思路和方法。
研究人员为了实现这一目标，采用了一系列先进的技术方法。首先，他们从丹麦菲英岛的糖尿病视网膜病变筛查项目中，回顾性收集了 199 名患者的视网膜图像。这些图像均来自 1 型或 2 型糖尿病患者，涵盖了活跃和非活跃 PDR 的病例。接着，由三名经过认证的医生对这些图像进行分类。其中，一名主要分级员（grader 1）手动将图像分为活跃或非活跃 PDR，另外两名分级员（grader 2 和 grader 3）则对随机抽取的一半图像进行重新评估，以确保分类的准确性。在分类完成后，研究人员运用已建立的 DL 分割系统对视网膜图像中的 9 种不同 DR 病变进行预分割。对于 NV 和 PRH 的分割结果，grader 1 会进行细致的评估和修正，确保标注的精确性。最后，研究人员以 Unet++ 为基础架构，结合 ImageNet 预训练的 ConvNext 骨干网络，构建了 DL 分割模型，并使用 Pytorch 和 TorchSeg 库进行模型训练。
下面来看看具体的研究结果：
- 数据分布：研究共纳入了 638 张活跃 PDR 图像和 301 张非活跃 PDR 图像。这些图像被分为训练集（70%）、验证集（10%）和测试集（20%）。训练集包含 440 张活跃 PDR 图像，共有 1381 个活跃 PDR 病变；验证集有 63 张活跃 PDR 图像，123 个病变；测试集则有 135 张活跃 PDR 图像和 301 张非活跃 PDR 图像，其中活跃 PDR 病变有 374 个。
- 模型性能：DL 模型在检测活跃 PDR 方面表现出了良好的性能。其敏感性达到了 90%（95% 置信区间 85 - 95%），这意味着该模型能够准确识别出大部分需要紧急治疗的患者；特异性为 70%（95% 置信区间 65 - 75%）；阳性预测值为 57%（95% 置信区间 50 - 64%）；阴性预测值为 94%（95% 置信区间 91 - 97%）。
在研究结论与讨论部分，该 DL 分割模型在区分活跃和非活跃 PDR 方面，展现出了出色的敏感性和可接受的特异性，符合丹麦 DR 筛查项目的严格要求。模型通过对 NV 和 PRH 进行病变级别的标注，为临床医生提供了更直观的信息，有助于他们做出更准确的决策。不过，模型也存在一些有待改进的地方。比如，特异性还有提升的空间，这主要是因为模型在识别过程中产生了较多的假阳性结果，部分原因是将视网膜内微血管异常（IRMA）误判为 NV。要提高特异性，可能需要更多的图像数据，尤其是活跃 PDR 的图像，同时对模型在非活跃图像上进行更多训练，以提升其阳性预测值。此外，该研究缺乏外部验证，且活跃 PDR 图像数量有限，这在一定程度上限制了模型的泛化能力。未来的研究需要着重解决这些问题，进一步优化模型，使其在临床实践中发挥更大的作用。
总的来说，这项研究为 PDR 的诊断开辟了新的道路，尽管目前的 DL 模型还存在一些不足，但它的潜力不可小觑。随着技术的不断进步和研究的深入，相信未来会有更精准、更高效的诊断工具出现，为糖尿病视网膜病变患者带来更多的希望，让他们能够更好地守护自己的视力，拥抱清晰的世界。
