基于深度学习的视网膜母细胞瘤自动诊断与视网膜血管形态定量分析

《Frontiers in Cell and Developmental Biology》:Automatic diagnosis of retinoblastoma and quantitative analysis of retinal vascular morphology using deep learning

【字体: 大 中 小 】 时间:2026年09月22日 来源:Frontiers in Cell and Developmental Biology 5.3

编辑推荐:

  目的:开发一种基于卷积神经网络的人工智能识别诊断系统,用于视网膜母细胞瘤(retinoblastoma, RB)的超广角眼底图像,并量化其血管形态学特征。方法:回顾性研究。纳入54例确诊RB患者的183张超广角眼底图像,以及250张健康对照图像。其中277张图

  
目的:开发一种基于卷积神经网络的人工智能识别诊断系统,用于视网膜母细胞瘤(retinoblastoma, RB)的超广角眼底图像,并量化其血管形态学特征。方法:回顾性研究。纳入54例确诊RB患者的183张超广角眼底图像,以及250张健康对照图像。其中277张图像作为训练集,100张作为验证集,56张用于性能测试。采用基于DenseNet的深度学习算法训练RB人工智能自动诊断网络。人工标注并去除病灶区域后,自动提取并分割视网膜二值化骨架血管。随后使用相应的数学模型定量评估血管形态学特征。结果:分别使用敏感性、特异性和F1评分评估网络的诊断性能。在验证集中,自动诊断系统达到0.98敏感性、0.94特异性和0.96 F1评分。在测试集中,系统达到0.93敏感性、0.79特异性和0.87 F1评分。在定量血管形态学分析中,与健康对照组相比,RB患者的血管角度增大,而血管密度、分形维数和血管分支数均降低(均P < 0.001)。结论:在本研究中,研究人员开发了一种人工智能系统,可在超广角眼底成像中自动识别和诊断RB,并能够自动定量分析RB患者的视网膜血管形态学特征。
视网膜母细胞瘤(retinoblastoma, RB)是儿童最常见的原发性眼内恶性肿瘤之一,全球发病率为1/15 000~20 000,RB基因突变可导致发病,并可造成严重视力损害、高致盲率,进展期肿瘤转移或播散可危及生命。早期发现和治疗是提高生存率、挽救眼球和视力的关键。全球约69%的RB患儿生活在中等收入国家,约20%生活在低收入国家,但治疗中心多集中在发达国家,低收入、中低收入和中高收入国家的估算死亡率分别可达60%、33%和21%,而欧洲、加拿大和美国仅为3%~5%。中国是RB高负担国家之一。新生儿眼底筛查常用广角数字视网膜成像系统,但儿童眼科专科医生不足是发展中国家的重要问题,眼底病筛查需耗费大量人力和财力。超广角扫描激光检眼镜(scanning laser ophthalmoscope, SLO)可在免散瞳下一次捕获约200°视网膜,覆盖大部分眼底,有利于周边视网膜筛查;但仍有较多医生对RB眼底影像认识不足,难以做到及时准确诊断。因此,利用人工智能对超广角眼底图像中的RB进行自动识别和诊断具有临床必要性。深度学习算法已在早产儿视网膜病变、糖尿病视网膜病变、年龄相关性黄斑变性等眼底病自动诊断中取得较好效果,但针对RB的AI自动诊断研究较少,基于超广角成像的RB自动诊断报道尤其有限。本研究基于DenseNet卷积神经网络(convolutional neural network, CNN)算法,以相对较少的图像样本构建RB自动诊断系统,并进一步对RB视网膜血管进行自动分割和形态学定量分析。

研究人员开展了一项回顾性研究,纳入2017年11月至2024年10月来自浙江省人民医院和温州医科大学附属眼视光医院的54例RB患者的183张超广角眼底图像,以及250张健康对照图像。所有图像采用超广角眼底成像系统(Optos,英国)按制造商推荐标准方案采集。训练集包含277张图像,验证集100张,测试集56张,并按患者层面划分以避免数据泄漏。采用基于DenseNet的深度学习网络训练RB自动诊断模型,并在人工标注病灶区域后自动提取和分割视网膜二值化骨架血管,进而使用数学模型量化血管角度、分形维数、血管密度和血管分支数等形态学参数。

研究人员采用的主要关键技术方法包括:基于DenseNet的深度学习网络,采用密集连接、瓶颈层和过渡层结构;超广角眼底成像系统采集免散瞳眼底图像;人工标注病灶区域后自动提取视网膜二值化骨架血管;采用盒计数法计算分形维数;基于血管面积与去除视盘和病灶后全图像面积之比计算血管密度;通过连通域像素计数计算血管分支数。样本来源于浙江省人民医院和温州医科大学附属眼视光医院。统计分析采用SPSS 26.0,组间比较使用单因素方差分析,计数资料使用卡方检验。

在分割系统性能方面,该分割网络同时完成视网膜血管分割和视盘分割。视盘分割的敏感性为0.94,特异性为0.99,F1评分为0.94;视网膜血管分割在验证集的敏感性为0.72,特异性为0.99,F1评分为0.73。

在预测系统性能方面,自动RB识别系统在验证集达到0.98敏感性、0.94特异性和0.96 F1评分,漏诊率为2%,误诊率为6%;在测试集达到0.93敏感性、0.79特异性和0.87 F1评分,漏诊率为7.14%,误诊率为21.43%。这表明该系统在RB筛查中具有较高的敏感性,有利于减少漏诊。

在定量血管形态分析方面,与健康对照组相比,RB患儿的血管角度增大(37.79 ± 5.04对31.57 ± 2.68),而血管密度(0.78% ± 0.45%对3.61% ± 1.12%)、分形维数(1.28 ± 0.10对1.42 ± 0.43)和血管分支数(820.2 ± 803.2对7784.5 ± 3098.0)均降低,差异均有统计学意义(均P < 0.001)。为排除肿瘤区域对血管分支数的影响,研究人员以视盘为中心在含肿瘤象限的镜像对称位置勾画等距感兴趣区(region of interest, ROI)进行补充分析,校正后RB眼的血管分支数仍显著低于健康对照组(P < 0.001)。

讨论部分指出,双目间接检眼镜是诊断RB的金标准,但熟练操作者少,因此需要构建简单、有效、可靠的人工智能诊断系统。已有RB自动诊断系统如MDEyeCare和CRADLE基于数字摄影中眼红反射检测白瞳症,EyeScreen系统结合机器学习模型自动识别白瞳症,但白瞳症在RB早期出现率较低,且数字摄影需婴幼儿注视特定方向,临床应用受限。超广角眼底成像具有成像范围广、免散瞳、不需眼球转动等优势,可提高视网膜疾病检出率并减少漏诊风险。本研究证明基于超广角眼底成像的AI系统可自动识别RB;由于RB罕见且严重,临床筛查中优先提高敏感性以减少漏诊,降低决策阈值可能增加假阳性,但在筛查场景中可接受。血管定量分析排除了肿瘤区域,因为RB为实性富血供肿瘤,血管空间分布不均;已有光相干断层扫描血管成像(optical coherence tomography angiography, OCTA)研究显示RB患儿存在血管分支紊乱、管径不规则、血管扩张迂曲及黄斑区深层血管密度降低等改变,与本研究结果一致,可能与静脉化疗引起的缺血性改变有关。研究局限性包括单中心样本量较小、严重RB因图像质量不佳被排除、去除肿瘤区域的血管分析可能引入偏倚;未来需扩大样本量并采用标准化固定ROI,结合便携式广角成像设备和迁移学习,有望在资源受限环境中推广应用。

研究结论为:基于超广角眼底成像,结合深度学习技术,有望在未来构建婴幼儿多种眼底疾病的自动诊断系统,这将大大减轻婴幼儿眼部疾病的诊疗负担。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号