综述：人工智能在糖尿病视网膜病变诊断流程中的展开：一项系统性综述

本综述系统回顾了人工智能（AI）在糖尿病视网膜病变（DR）诊断中的应用，聚焦于图像预处理、视盘定位、血管分割、特征提取和分类等关键流程。研究提出的模型在MESSIDOR数据集上实现了98.02?%的优异准确率，凸显了AI在提升DR筛查（Screening）效率与准确性方面的巨大潜力，为临床转化提供了有力支持。

　　

Introduction

糖尿病视网膜病变（Diabetic Retinopathy, DR）是发达国家视力丧失的主要原因。预计到2030年，糖尿病将影响全球2.8?%至4.4?%的人口。DR根据视网膜表面的病变类型分为两类：非增殖性糖尿病视网膜病变（Nonproliferative DR, NPDR）和增殖性糖尿病视网膜病变（Proliferative DR, PDR）。NPDR发生时，视网膜血管受损，液体开始渗漏到视网膜区域，导致视网膜肿胀。PDR是更晚期的阶段，功能异常的血管在眼睛的不同区域形成，最终导致完全失明。

基于视网膜上识别的异常，DR被进一步分类为轻度NPDR、中度NPDR、重度NPDR和PDR。通过领域专家分析彩色眼底照片（Color Fundus Photographs, CFPs）需要大量的时间和精力，而使用筛查系统可以显著减少决策所需的时间。智能筛查系统已成功用于DR严重程度评估，并产生了优于或可与领域专家相媲美的结果。

应对复杂的社会挑战需要创新的解决方案，特别是利用人工智能（Artificial Intelligence, AI）的进步。DR作为一个重大的公共卫生问题，需要有效的筛查和诊断以减轻视力丧失。本研究探讨了AI方法在DR检测中的应用，综合了近期的研究以描绘现有方法、挑战和未来前景。

Related work

这些DR筛查方法的基本目标是为临床医生提供诊断DR所需的建议。尽管最近开发了更广泛的筛查系统，但始终存在构建更高效系统的空间。过去几年发表的工作表明，研究持续聚焦于提升筛查系统的各个环节。

Methodology evolved in DR identification and classification

糖尿病患者有发生DR的风险。如果未能早期发现，DR可能导致失明。随着接受常规筛查的患者数量增加，临床医生的工作量也在增长。一个筛查系统对于弥补这一差距至关重要。

AI驱动的DR分类框架通常由连续的阶段组成：图像预处理、视盘（Optic Disc, OD）定位和移除、血管分割、特征提取以及DR严重程度分类。在所提出和实现的模型中，每个阶段都得到了系统性的处理以确保性能提升。该流程整合了有效的预处理以增强图像质量，精确的OD定位和排除以避免误检，随后是精确的血管分割。然后，提取的特征被用于训练深度学习模型以进行DR严重程度分类。

Experimental results

实验在Windows 11工作站上进行，配置为Intel i5处理器（1.60 GHz）、8 GB RAM、512 GB SSD和Intel集成显卡处理器。使用Python 3.0作为编程语言，深度前馈神经网络（DFNN）操作使用机器学习框架TensorFlow实现。

我们使用包含1200个实例的MESSIDOR数据集对一些近期发表的工作进行了评估以进行对比分析。这项工作利用了540例无DR、330例轻度NPDR、50例中度NPDR、40例重度NPDR和240例PDR的病例。比较分析显示，所提出的模型在分类准确性和鲁棒性方面优于其他最先进的技术。

Discussion

主要挑战包括处理不平衡数据集，这可能影响模型性能并导致有偏见的预测。依赖单一数据集（如MESSIDOR）限制了模型对不同现实世界病例的泛化能力。确保一致的预处理同时保留关键特征是另一个挑战，因为不当的调整可能会降低图像质量。此外，在模型复杂性和计算效率之间取得最佳平衡至关重要。

Conclusion and future scope

当前研究对超过100篇关于智能DR筛查系统的研究出版物进行了广泛回顾，强调了使用CFPs进行DR严重程度分级的挑战和成果。首先承认了CFPs在开发各种筛查系统中的重要性。此外，讨论了一个包含五个阶段的DR智能筛查系统开发框架。随后，深入讨论了最先进的计算机化方法，以理解该领域的进展。

Method of literature search

使用包括Google Scholar、PubMed和Scopus在内的各种数据库源进行了全面的文献检索。使用了“深度学习”、“严重程度分级”、“眼底图像”、“糖尿病视网膜病变”、“人工智能”、“筛查系统”等关键词的各种组合。考虑了过去几年发表的文章。包括以英语交流的经过同行评审的期刊和会议论文。通过所包含文章的参考文献列表确定了额外的参考文献。

CRediT authorship contribution statement

K Suganya Devi: 可视化，监督，调查。GNV Raja Reddy: 写作 – 审阅和编辑，验证。Vasireddi Hemanth Kumar: 写作 – 原稿，软件，方法论，概念化。Satish Kumar Satti: 写作 – 审阅和编辑，验证。

Ethical approval

本文不包含任何由任何作者进行的人体研究。

Funding

这项工作没有获得外部资助。

Declaration of Competing Interest

作者声明不存在利益冲突。