糖尿病眼底病变综述概要记录

原创

已于 2022-06-28 11:34:37 修改 · 2.2k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #深度学习 #健康医疗

于 2022-04-23 10:41:06 首次发布

糖尿病视网膜病变（DR）是全球导致视力损失的主要原因之一，早期诊断至关重要。近年来，人工智能（AI）尤其是深度学习和机器学习在DR的检测和分级中展现出巨大潜力。通过眼底和光学相干断层扫描（OCT）图像，AI模型可以自动检测DR，提高诊断效率和准确性。本综述分析了过去五年间的114篇相关研究，探讨了各种机器学习和深度学习方法，如深度卷积神经网络（DCNNs），并列举了43个公开数据集。尽管AI技术在DR检测上取得了显著进步，但解释性、数据质量和标注一致性仍是挑战。未来的研究需要在保证性能的同时，增强模型的可解释性，以促进临床应用。

糖尿病眼底病变综述概要记录

原文地址：Automated Detection and Diagnosis of Diabetic Retinopathy: A Comprehensive Survey

ABSTRACT

糖尿病视网膜病变（DR）是世界上导致视力下降的主要原因。在过去几年中，基于人工智能（AI）的方法已被用于检测和分级DR。早期检测可以进行适当的治疗，从而防止视力丧失。眼底和光学相干断层扫描（OCT）图像均用于视网膜成像。通过基于深度学习/机器学习的方法，可以从图像中提取特征并检测DR的存在。使用分类、分割和混合技术，可以实施多种策略来检测DR的存在并对其进行分级。本综述涵盖了五年来（2016-2021年）在公开文献中发表的有关DR人工智能方法的文献。此外，报告了可用DR数据集的全面列表。采用了PICO（P-患者、I-干预、C-对照、O-结果）和系统评价和荟萃分析（PRISMA）2009年搜索策略的首选报告项目。我们总结了114篇符合审查范围的已发表文章。此外，还列出了43个主要数据集。

**关键词：**糖尿病视网膜病变、人工智能、深度学习、机器学习、数据集、眼底图像、光学相干断层扫描和眼科学。

1. Introduction

糖尿病视网膜病变（DR）是世界范围内不可逆视力损害和失明的主要原因[1]。DR的病因是由于慢性高血糖水平导致视网膜毛细血管损伤。DR主要影响工作年龄人口，全球患病率较高，从2015年的260万到2030年的1.91亿[2]。早期发现很重要有两个主要原因，DR在早期阶段很难发现，因为没有视觉症状。疾病的进展可能导致失明。因此，早期诊断和定期筛查可以将视力丧失的风险降低到57.0%，并降低治疗成本[2]直接或通过眼底摄影或光学相干断层扫描等成像技术对视网膜眼底进行临床分级，有几种标准的DR分级系统，例如早期治疗糖尿病视网膜病变研究（ETDRS）分级系统[3]，它具有多个分级级别，将所有七个视网膜眼底视野（FOV）上的详细DR特征进行分离。尽管ETDRS[4]是金标准，但由于实施的复杂性和技术限制[5]，还使用了替代系统，如国际临床糖尿病视网膜病变（ICDR）[6]量表，该量表在临床和计算机辅助诊断（CAD）扩展设置中均被接受[7]。ICDR量表定义了5个严重程度级别，4个糖尿病性黄斑水肿（DME）级别，需要更少的FOV[6]。ICDR级别将在下面讨论，并在图1中说明。

1）**无明显视网膜病变：**无异常。

2）**轻度非增殖性糖尿病视网膜病变（NPDR）：**这是糖尿病视网膜病变的第一阶段，具体表现为视网膜血管中的微小肿胀区域，称为微动脉瘤（MA）[8]。视网膜神经中没有大量出血，如果在此阶段检测到DR，它可以通过适当的治疗帮助挽救患者的视力（图1A）

3）**中度NPDR：**如果不检查，轻度NPDR进展为中度阶段，即阻塞的视网膜血管出现血液泄漏。此外，在这个阶段可能存在硬渗出物（Ex）（图1B）。视网膜小静脉的扩张和收缩导致静脉串珠（VB），这在眼科是可见的[8]。

4）**严重NPDR：**在这个阶段，视网膜中有大量血管被阻塞，在所有4个视网膜象限中导致20多个视网膜内出血（IHE；图1C），或存在视网膜内微血管异常（IRMA），其可被视为至少一个象限中出现小而尖锐的边界红点的细血管隆起，和/或在超过2个象限中有明确的VB证据[8]。

5）**增殖性糖尿病视网膜病变（PDR）：**这是疾病的晚期阶段，在长时间不检查的情况下发生。视网膜中形成新血管，这种情况称为新生血管（NV）。这些血管通常很脆弱，因此有液体泄漏和纤维组织增生的风险[8]。在这个阶段会出现不同的功能性视觉问题，例如模糊、视野缩小，在某些情况下甚至完全失明（图D）。

初始阶段的精细病理学DR征象正常确定，瞳孔扩张（散瞳）后，通过裂隙灯生物显微镜和+90.0D透镜进行DR筛查，并通过直接/间接检眼镜进行检测[10]。这一过程非常耗时，需要训练有素、经验丰富的临床医生，诊断精度需要时间、经济成本和资源。即使所有这些都可用，仍然存在误诊的可能性[11]。这种对手动评估阅读的依赖使情况更具挑战性。2020年，全世界患有DR和威胁视力的DR的成年人人数估计分别为10312万和2854万。到2045年，这一数字预计将增加到1.605亿和4482万[12]。此外，在发展中国家，眼科医生[13,14]以及标准临床设施短缺。这一问题也存在于发达国家服务不足的地区。

计算机辅助诊断（CAD）技术的最新发展在现代眼科学中正变得越来越突出[15]，因为它们可以节省常规DR筛查的时间、成本和人力资源，并涉及较低的诊断错误因素[15]。CAD还可以有效地管理越来越多的DR患者[16]，并在早期诊断DR，从而减少对视力的威胁。这些技术因成像系统而异。本文综述了光学相干断层扫描（OCT）、OCT血管造影（OCTA）、超宽视野眼底（UWF）和标准450眼底摄影等常用的成像方法。Majumder等人[15]进行的研究报告了一种用于DR筛查的智能手机摄像头筛查实时程序。

这篇综述的主要目的是分析在过去6年中发表的114篇关于使用CAD技术检测DR的文章。通过使用机器学习（ML）和深度学习（DL）方案，这些技术在性能上取得了相当大的进步，这些方案采用了深度卷积神经网络（DCNNs）体系结构的最新发展，用于DR严重程度分级、进展分析、异常检测和语义分割。文献[17,18,19,20]概述了卷积神经网络在眼科的应用。