糖尿病視網(wǎng)膜病變（DR）是糖尿病最常見的微血管并發(fā)癥。該病初期癥狀隱匿，病情嚴重時可能導致永久性視力損傷甚至失明。由于不同患者病情進展存在較大差異，每位糖尿病患者患DR的風險和時間難以準確預測。如何高效精準診斷DR并評估其進展風險一直是一大難點。
日前，上海交通大學醫(yī)學院附屬第六人民醫(yī)院內(nèi)分泌代謝科、上海市糖尿病重點實驗室教授賈偉平、李華婷團隊，清華大學副教務長、醫(yī)學院主任黃天蔭團隊，上海交通大學電院計算機系和教育部人工智能重點實驗室教授盛斌團隊，在國際上首創(chuàng)能精準預測DR進展的深度學習系統(tǒng)DeepDR Plus。這項醫(yī)工交叉合作的研究成果，有望讓糖尿病患者只需站在一臺機器前拍張照片，就能精準診斷DR嚴重程度，還能預測DR的發(fā)病進程和進展風險。相關成果在國際刊物《自然醫(yī)學》上發(fā)表。
早期篩查和干預對于DR的預防及管理至關重要。當前，國內(nèi)和國際組織大多建議糖尿病患者每年進行常規(guī)眼底攝片檢查，以便及時發(fā)現(xiàn)視網(wǎng)膜病變并進行干預。但糖尿病患者常規(guī)眼底攝片檢查的實施和普及困難重重。“由于眼底攝片設備匱乏、專業(yè)攝片人員稀缺、患者篩查依從性差等因素，DR的篩查普及率低，且攝片質(zhì)量難以保證。這導致相關病變的篩查和診斷精準性較差，難以有效實現(xiàn)疾病防控。”盛斌說。
目前，以深度學習為代表的人工智能技術已被用于DR篩查。但基于眼底圖像來預測DR發(fā)生風險的相關技術，在全球范圍內(nèi)仍待突破。研究團隊介紹，在糖尿病等相關慢性病診療和管理的臨床實踐中，對糖尿病患者往往只會按照相對固定的時間間隔進行篩查或隨訪，對并發(fā)癥的確切發(fā)生或進展時間無法知曉。這也導致傳統(tǒng)深度學習模型無法實現(xiàn)疾病進展時序軌跡的精準建模，進而無法預測個體的發(fā)病和病情進展時間點。
針對上述困擾全球糖尿病管理的關鍵技術瓶頸，團隊首次基于大規(guī)模醫(yī)學影像縱向隊列，利用涵蓋多國多種族的超20萬名糖尿病患者的眼底圖像和臨床數(shù)據(jù)，創(chuàng)新性地提出了深度學習框架，成功實現(xiàn)對DR進展的風險預警和時間預測。該研究成果可用于推薦個性化的DR篩查間隔和管理策略，并回答臨床醫(yī)生和患者共同面臨的兩大關鍵問題：患者應什么時候轉(zhuǎn)診去眼科，以及患者的DR會有多嚴重。
研究首次實現(xiàn)了個體化DR風險和時間的預測。DeepDR Plus系統(tǒng)僅根據(jù)基線眼底圖像，就可準確預測未來5年患者DR進展的個體化風險和時間，優(yōu)于傳統(tǒng)臨床參數(shù)模型。
盛斌介紹，研究團隊從2013年起，就扎根于DR的人工智能診療這一國際前沿問題。從眼底血管特征自動提取，到DR的自動診斷，再到疾病風險的精準評估，團隊相繼成功研制了兩代深度學習系統(tǒng)，助力糖尿病全球防控。DeepDR Plus正是團隊繼2021年成功完成DR輔助智能診斷系統(tǒng)DeepDR的研發(fā)之后，進一步構建的基于時序影像序列深度學習的糖尿病視網(wǎng)膜并發(fā)癥預警系統(tǒng)。
目前，通過將其應用于中國和印度的真實臨床流程，研究團隊證實該系統(tǒng)在大幅降低篩查頻率和公共衛(wèi)生成本的情況下，保持極低的漏診率。這一成果有望為未來糖尿病并發(fā)癥的防控實踐提供個性化篩查和管理決策的依據(jù)，也將為推動全球糖尿病并發(fā)癥的智能防控貢獻中國力量。
