多光谱眼底成像人工智能对视网膜动脉硬化的早期识别效能

马菲妍，张彩霞，冬雪川（通信作者）

1 河北医科大学第二医院眼科 （河北石家庄 050005）；2 深圳市新产业眼科新技术有限公司研发部 （广东深圳 518055）

视网膜动脉硬化包括老年退化性硬化和小动脉硬化，是眼科检查中一种常见的体征，可反映全身血管的状态，是全身动脉硬化的重要信号；若患者合并糖尿病、高血压以及卒中等疾病，则会加速眼底动脉硬化进程[1-2]，因此，及时准确地对上述心脑血管疾病进行诊断非常必要。视网膜血管是人体血管中唯一能用肉眼直接观察到的血管，临床可通过对其形态的观察判断患者的动脉硬化程度，这对于预测心脑血管疾病发生风险具有重要的意义[3-4]。

多光谱成像技术是一种新型的眼底成像技术[5]，可以利用多个不同波长的单色LED 光源分别投射入眼底不同层次的视网膜及脉络膜组织[6]，采集基于不同组织及病理产物吸收光谱的差异形成的图像，进而更清晰地观察包括视网膜动脉硬化在内的各类疾病体征[7]。近年来，人工智能（artificial intelligence，AI）尤其是深度学习在医疗健康、自动驾驶等领域展现了巨大的潜力，并逐渐被应用于实际场景中[8-15]。在眼科方面，尤其是在对各类视网膜病变的自动检测中，AI 发挥了一定的价值[16-21]。多光谱眼底图像可通过多种光谱、多种通道和维度展现疾病的特征，与深度神经网络技术的结合有助于提升智能诊断的灵敏度和特异度。本研究通过比较基于多光谱眼底成像开发的AI 与传统医师对视网膜动脉硬化的诊断一致性，评估AI 的实际诊断能力，现报道如下。

1 资料与方法

1.1 一般资料

收集2018年7—10月于河北医科大学第二医院眼科门诊就诊的150名眼科体检者的右眼多光谱系列图像（RHA2020多光谱眼底成像系统，ANNIDIS corporation，加拿大），波长范围包括550、580、590、620、660、690、740、760、780、810、850 nm，全部图像均在免散瞳条件下拍摄，以黄斑中心凹为中心，成像范围43°（图1）。本研究符合赫尔辛基宣言，并由河北医科大学第二医院伦理委员会审核通过。

图1 多光谱眼底成像所获得的各波长图片以及拟合而成的功能图

体检者及图片纳入标准：年龄≥40岁；无角膜瘢痕、晶状体混浊等影响眼底拍摄的屈光介质异常；图像对焦清晰，无异常伪影；亮度均匀，可明显分辨血管和视盘等主要眼部结构。排除标准：图像明显分辨力不足或其他图像拍摄异常；样本资料不完整。

1.2 阅片者分组

依据阅片方式的不同将阅片者分为4组，即采用AI 阅片的AI 组；由3名具有5年以上眼底照片和眼底检查经验的眼科医师组成的高年资眼科医师组；由3名具有5年以下眼底照片和眼底检查经验的眼科医师组成的低年资眼科医师组；由3名无既往眼科检查经验，在本研究开始前经过系统阅片培训的心血管内科医师组成的心血管内科医师组。

1.3 多光谱眼底图像标注

采用分级标注多光谱眼底图像，共3级，即无眼底动脉硬化表现；小动脉反光带增宽，轻度或无小动静脉压迫；较明显的小动脉反光带增宽，明显动静脉交叉压迫。全部图像均由2名资深眼底专家基于多光谱眼底图像观察结果判定为确定诊断，意见不一致时交由第3名眼底专家再次阅片，将定标一致的结果作为阅片标注的参考标准。

1.4 阅片方法

由AI 组和全部医师组对所有眼底图像进行阅片，其中AI 组由研究人员将图像输入软件系统进行阅片，并保留自动诊断的结果；医师组均通过RHA 自带的电脑系统和阅片软件对多光谱眼底图像进行阅片，并保留阅片结果。同时，记录AI 组和医师组单张阅片时间。

1.5 统计学处理

采用SPSSAU 20.0统计软件处理数据。不同阅片者的阅片结果与参考标准的比较采用加权Kappa系数进行评价，AI组与医师组的比较以Kendall协调系数进行评价；AI组与各医师组平均单张阅片时间的比较采用重复测量方差Bonferroni法分析，并根据球形度检验结果选择Greenhouse-Geisser校正结果。P＜0.05为差异有统计学意义。

2 结果

2.1 阅片结果的一致性比较

高年资眼科医师组、低年资眼科医师组、心血管内科医师组共9名医师的阅片结果与参考标准比较的加权Kappa系数依次为0.901、0.864、0.887、0.749、0.841、0.808、0.604、0.718、0.744，P＜0.01；AI 组的阅片结果与参考标准比较的加权Kappa系数为0.834，P＜0.01；一致性均较好。各组间比较，AI 组与高年资眼科医师组比较的Kendall协调系数为0.887，χ2=528.633，P＜0.01，诊断水平接近；AI 组与低年资眼科医师组和心血管内科医师组比较的Kendall协调系数分别为0.853、0.848，χ2=508.572、505.684，P＜0.01；心血管内科医师组和低年资眼科医师组协调系数依次低于高年资眼科医师组，但无显著统计学差异。

2.2 阅片速度的比较

AI 组、高年资眼科医师组、低年资眼科医师组、心血管内科医师组的平均单张阅片时间分别为（1.52±0.29）、（14.70±1.74）、（22.36±2.43）、（43.10±7.08）s（图2）。4组平均单张阅片时间比较，差异有统计学意义（F=3 134.857，P＜0.01）；组间两两比较，除高年资眼科医师组VS 低年资眼科医师组，差异均有统计学意义（P＜0.01）（表1）。

表1 不同阅片组对多光谱眼底图像标注时间的比较

图2 AI 组及医师组平均单张阅片时间的比较

3 讨论

动脉硬化的共同特点是动脉非炎症性、退行性和增生性病变，一般包括老年性动脉硬化、动脉粥样硬化和小动脉硬化等。视网膜血管是唯一能够于活体内直接观察，并能够分辨动静脉的血管。任何导致全身动脉和小动脉硬化的疾病都可累及视网膜血管，因此，作为观察窗口，眼底检查可为许多全身疾病的诊断、治疗和预后判断提供客观依据[22]。动脉硬化眼底主要表现包括视网膜动脉弥漫性变细，血管透明度降低，颜色褪色，反光带变暗，血管走行平直，分支呈锐角等。最常见的分级和评估标准为Scheie 分类法，1级，小动脉轻度变细，光反射增宽，有轻度或无动静脉交叉压迫征；2级，较明显小动脉变窄和光反射增宽，明显动静脉交叉压迫；3级，小动脉铜丝状，动静脉交叉压迫征明显；4级，动脉银丝状，动静脉交叉压迫征严重。本研究中的受试者主要是常规体检人群，故未收录重度视网膜动脉硬化人群。

眼底病变与各类心脑血管疾病均有一定的相关性，一项对15 972例的大样本研究表明，眼底病变与脑小血管疾病的发病及进展相关，且眼底病变与腔隙性梗死的相关性较非腔隙性梗死高[23]。急性腔隙性梗死患者视网膜动脉局限性狭窄，动静脉交叉压迫征以及广泛的静脉扩张征的检出率均比较高，相较于无视网膜病变患者更易发生其他类型的脑梗死、脑白质变和脑微出血[24]。因此，视网膜动脉硬化的早期诊断对于系统性疾病的早期发现尤为重要。

本研究比较了多光谱AI 阅片系统和医师阅片的准确性及一致性，结果显示，AI 展现了和高年资眼科医师基本等同的阅片能力，甚至略高于低年资眼科医师和心血管内科医师。本研究中低年资眼科医师组和心血管内科医师组的准确性略低于AI 组和高年资眼科医师组，但无显著统计学差异。AI 阅片克服了不同医师的知识构成不同、标注时的心理状态与精力存在差异以及随着时间推移带来的记忆力和理解力的改变等主观差异的影响，更适合疾病筛查场景[25]。本研究同时比较了AI 组与各阅片医师组的单张阅片时间，结果显示，AI 组总体领先于医师组，高年资眼科医师组与低年资眼科医师组的平均单张阅片时间接近，但心血管内科医师组的平均单张阅片时间明显延长，这是因为其对眼科疾病的相关知识了解较浅，缺乏对眼底病变诊断的经验，且对病变的病理基础认识不足而不能适应阅片工作，结合其在诊断准确性上的不足，本类AI 的开发可能更适合全科医师的使用。本研究的局限性在于未考虑多种多光谱成像系统采集图像识别的通用性和兼容性能，且仅比较了轻度视网膜动脉硬化人群的眼底图像，尚需要进一步完善，未来需要在此方向进行多中心和多层级的临床研究验证。综上所述，通过AI 和多光谱眼底成像技术的结合能够提升医师对视网膜动脉硬化的阅片质量和阅片速度，降低开发难度，利于不同资质的医师，尤其是全科医师和年轻医师快速掌握该疾病的诊断和筛查方法。