Unter Der Leitung Des Peking Union Medical College Eye Hospital Arbeiten Fünf Ophthalmologische Zentren Zusammen, Um Mithilfe Von KI Bei Der Erkennung Von 13 Arten Von Augenhintergrunderkrankungen Zu Helfen.

In einem kleinen Raum wie unseren Augen können viele verschiedene Krankheiten auftreten. Ende letzten Jahres haben die Aikang Group und Yingtong Airdoc  Aus dem gemeinsam veröffentlichten „Health Blue Book of Four Million People Undergoing Physical Examinations“ geht hervor, dass die Gesamterkennungsrate von Fundusanomalien in den letzten Jahren von Jahr zu Jahr gestiegen ist, von 76,11 TP3T im Zeitraum 2019–2020 auf 78,71 TP3T im Zeitraum 2022–2023. Die Zahl der Augenhintergrunderkrankungen nimmt weiterhin zu und ist weltweit die häufigste Ursache für irreversible Erblindung geworden.

Da die Diagnose von Augenkrankheiten in hohem Maße von der Bilderkennung abhängt, eignet sich die Augenheilkunde sehr gut für die Anwendung von Technologien wie Deep Learning. Um den potenziellen Wert von Deep Learning bei der Diagnose von Augenhintergrunderkrankungen weiter zu erforschen,Unter der Leitung von Chen Youxin, dem Direktor der Abteilung für Augenheilkunde am Peking Union Medical College Hospital, haben fünf Augenheilkundezentren im ganzen Land (Abteilung für Augenheilkunde am Peking Union Medical College Hospital, West China Hospital der Sichuan University, The Second Hospital der Hebei Medical University, Tianjin Medical University Eye Hospital und Wenzhou Medical University Eye and Optometry Hospital) in Zusammenarbeit mit Beijing Zhiyuan Huitu Technology Co., Ltd. und Professor Li Xirong von der School of Information der Renmin University of China ein Deep-Learning-System (DLS) entwickelt, das jungen Augenärzten dabei helfen soll, ihre diagnostische Konsistenz um etwa 12% zu verbessern und eine neue Methode zur automatischen Erkennung von 13 wichtigen Augenhintergrunderkrankungen bereitzustellen.

Forschungshighlights:
* Diese Studie wurde als prospektive klinische Studie durchgeführt, um die diagnostische Leistung von DLS bei der Unterstützung von Augenärzten bei der Erkennung von 13 wichtigen Augenhintergrunderkrankungen zu bewerten.

* Nach der Verwendung von DLS verbesserte sich die diagnostische Konsistenz der primären Augenärzte um etwa 12%
* DLS sollte in der Lage sein, mindestens eine bestehende Krankheit zu erkennen, was mit der ursprünglichen Absicht übereinstimmt, einen neuen Indikator zu definieren

Papieradresse:
https://doi.org/10.1038/s41746-023-00991-9
Folgen Sie dem offiziellen Konto und antworten Sie mit „DLS“, um das vollständige PDF zu erhalten

DLS: Neue Ansätze für die Diagnose von Augenhintergrunderkrankungen

Datensatz: Sammeln Sie Fundusbilder, um genaue Ergebnisse sicherzustellen

Im Vergleich zu früheren Studien wurden in dieser Studie mehr Daten zur Farbfundusfotografie gesammelt, wodurch sich die Gesamtdatenmenge auf 81.395 Bilder erhöhte (77.181 Bilder im Trainingssatz, 1.087 Bilder im Validierungssatz und 3.127 Bilder im Testsatz).

Modellzusammensetzung: Zwei große Forschungsmodelle, kollaborativer Konstruktionsprozess

DLS besteht aus zwei Teilen: einem Modell zur Bildqualitätsbewertung und einem Diagnosemodell. Der Arbeitsablauf ist in der folgenden Abbildung dargestellt:

Das Modell zur Bewertung der Bildqualität ist ein Regressionsmodell, das auf ResNet-34 CNN basiert.Durch Eingabe eines einzelnen Fundusbildes beginnen wir mit dem Bildqualitätsbewertungsmodell, um zu bestimmen, ob die Bildqualität für die Diagnose geeignet ist. Bei Eignung generiert das Diagnosemodell eine Diagnoseempfehlung; Andernfalls gibt das System einen Alarm aus, der darauf hinweist, dass die Bildqualität für eine Diagnose nicht geeignet ist, das System kann jedoch keine Diagnoseempfehlung geben.

Das Diagnosemodell für Funduserkrankungen ist eine Erweiterung früherer Arbeiten, wobei das CNN-Modell seResNext50 die Hauptstruktur bildet.Die vollständig verbundene Schicht ist mit zwei Zweigen ausgestattet, um festzustellen, ob eine Krankheit vorliegt und um welche spezifische Krankheit es sich handelt. Um die Vorhersageergebnisse besser zu stabilisieren, wurden in dieser Studie 3 parallele seResNext50-Modelle mit später Fusion trainiert.

Forschungsdesign: Fünf große Krankenhäuser arbeiten zusammen, um zuverlässige Ergebnisse mit mehreren Faktoren zu gewährleisten

Diese Studie wurde in fünf Krankenhäusern der Tertiärversorgung durchgeführt, darunter dem Peking Union Medical College Hospital, dem West China Hospital der Sichuan University, dem Second Hospital der Hebei Medical University, dem Tianjin Medical University Eye Hospital und dem Wenzhou Medical University Eye Hospital.Von August 2020 bis Januar 2021 wurden insgesamt 750 Teilnehmer prospektiv gescreent, von denen 748 alle Verfahren abgeschlossen haben. Bei den Teilnehmern handelte es sich ausschließlich um ambulante Patienten im Alter zwischen 18 und 75 Jahren, das Durchschnittsalter betrug 51,7 Jahre. Es gab 152 Fälle mit Diabetes (20,31 TP3T), 216 Fälle mit Bluthochdruck (28,91 TP3T) und 104 Fälle mit Hyperlipidämie (13,91 TP3T). Darunter waren 324 männliche Patienten (43,3%). Bei allen war in einem von fünf Krankenhäusern eine Bildgebung des Augenhintergrunds durchgeführt worden, sie verfügten über vollständige Krankenakten und hatten sich umfassenden augenärztlichen Untersuchungen unterzogen.

Im Rahmen der Studie wurden sechs Augenärzte (außerordentliche Professoren mit mindestens fünf Jahren Berufserfahrung) gebeten, die Bilder zu kommentieren. Die in der gemeinsamen Diskussion ermittelten endgültigen Diagnoseergebnisse dienten als endgültiger Verifizierungsstandard. Darüber hinaus wurden neun junge Augenärzte (Assistenzärzte oder Oberärzte mit weniger als 3 Jahren Erfahrung) geschult und lasen die Bilder zur Auswertung im Rahmen der Studie.

Nach einer einwöchigen Auswaschphase kommentierten sie denselben Satz von Bildern erneut, wobei diese nach dem Zufallsprinzip neu angeordnet und mit den zuvor von DLS kommentierten Beschriftungen versehen wurden, um eine Testgruppe zu bilden. Gleichzeitig wurde jedem jungen Augenarzt die Aufgabe zugewiesen, einen Teil des Datensatzes als Kontrollgruppe selbstständig zu annotieren. Darüber hinaus wurden alle in die Studie einbezogenen Fundusbilder von DLS als DLS-Gruppe gekennzeichnet.

Die Teilmenge der Bilder, die für diese Studie vollständig analysiert werden konnte, bestand aus 1.493 Bildern, von denen 477 (32,0%) Augenhintergrunde auf Grundlage der Anmerkungen und Diskussionen von 6 leitenden Augenärzten als normal markiert wurden. Weitere 1.016 (68,11 TP3T) Bilder wurden mit Krankheiten gekennzeichnet, davon 1.386 (92,81 TP3T) mit nur einer Krankheit, 78 (5,21 TP3T) mit zwei Krankheiten, 29 (1,91 TP3T) mit drei Krankheiten und insgesamt 251 (16,81 TP3T) Bilder mit der Bezeichnung „andere Anomalien“.

Fundusbilder wurden von erfahrenen Technikern unter Verwendung beider (nicht) erweiterten Pupillen aufgenommenFunduskameraDie Probenahme erfolgte unter Verwendung von Standardarbeitsanweisungen, um die Bildqualität für die anschließende Kommentierung und Lesung sicherzustellen.

Die Auswahl der Krankheiten für diese Studie erfolgte auf Grundlage ihrer Prävalenz und Bedrohung der Sehfunktion, wobei auch das klinische Potenzial eines Screenings mithilfe von Fundusbildern berücksichtigt wurde. Schließlich wurden in der Studie 13 wichtige Funduserkrankungen mit Standarddiagnosekriterien ausgewählt, darunter die überweisbare diabetische Retinopathie (DR),Netzhautvenenverschluss (RVO), retinaler Arterienverschluss (RAO), pathologische Myopie, Netzhautablösung (RD),Primäre Retinitis pigmentosa (RP), atrophische und neovaskuläre altersbedingte Makuladegeneration (AMD), epiretinale Membran (ERM), Makulaloch (MH),Zentrale seröse Chorioretinopathie (CSC), Verdacht auf glaukomatöse Optikusneuropathie (GON) und Optikusatrophie usw. Wenn das Bild Anzeichen anderer Krankheiten enthielt, die nicht in den 13 ausgewählten Krankheiten enthalten waren, wurde es in die Kategorie „andere Fundusanomalien“ eingeordnet.

Experimentelle Ergebnisse: DLS kann bestimmte Funduserkrankungen effektiv erkennen, kann aber auch die Genauigkeit der Diagnose beeinträchtigen

Im Vergleich zur Kontrollgruppe wurden bei den jungen Augenärzten die Annotationen von 888 (59,4%) Bildern geändert. Davon wurden 801 (53,51 TP3T) Bilder auf Grundlage der Vorschläge der KI geändert. Obwohl es in einigen Fällen vorkommt, dass junge Augenärzte auf Grundlage der Ratschläge des DLS die richtige Diagnoseentscheidung irrtümlicherweise in eine falsche Bezeichnung änderten, war das DLS für sie dennoch eine große Hilfe.

Laut der Studie handelt es sich um die erste klinische Studie, die beweist, dass DLS jungen Augenärzten dabei helfen kann, die diagnostische Konsistenz bei der Erkennung einer Reihe wichtiger Augenhintergrunderkrankungen deutlich zu verbessern. Es beweist auch, dass das DLS-gestützte Screening-Bildlesemodell für multiple Augenhintergrunderkrankungen für junge Augenärzte eine wirksame klinische Methode ist.

In dieser StudieDie allgemeine Krankheitsdiagnostiksensitivität und -spezifität von DLS betrugen 96,6% bzw. 81,8%.Es kann bestimmte Erkrankungen und Anomalien des Augenhintergrunds effektiv erkennen und bei der Überweisung von Patienten zu spezialisierten Untersuchungen und Beurteilungen behilflich sein. Darüber hinaus trägt die hohe Spezifität dazu bei, unnötige Überweisungen und Gesundheitskosten zu reduzieren.

In dieser Studie wurden drei Kontrollgruppen eingerichtet, nämlich die KI-gestützte Arzt-Lesegruppe (Experimentalgruppe), die Arzt-unabhängige Lesegruppe (Kontrollgruppe) und die KI-Lesegruppe (KI-Gruppe).

Die Ergebnisse zeigten, dass die diagnostischen Konsistenzraten der Versuchsgruppe, der Kontrollgruppe und der AI-Gruppe 84,9%, 72,9% bzw. 85,5% betrugen, d. h. mit Hilfe der AI,Die Bildbetrachtungs- und Diagnosefähigkeit von Assistenzärzten kann um etwa 12% verbessert werden.In der vorliegenden Studie war die diagnostische Übereinstimmung zwischen der Experimentalgruppe und der DLS-Gruppe ähnlich, was darauf schließen lässt, dass DLS allein ausreichend wirksam sein kann. Dennoch ist es weiterhin von entscheidender Bedeutung, menschliche Ärzte einzubeziehen. Obwohl KI-basiertes Screening und die Identifizierung von Krankheiten in der klinischen Praxis weit verbreitet sind, birgt es auch Risiken wie Fehldiagnosen.

Darüber hinaus war in dieser Studie die Empfindlichkeit der Versuchsgruppe und der Kontrollgruppe gegenüber Funduserkrankungen vergleichbar und die Versuchsgruppe war der Kontrollgruppe deutlich überlegen, insbesondere bei Erkrankungen wie vermutetem GON, Optikusatrophie, atrophischer AMD und CSC. Diese Ergebnisse zeigen, dassJunge Augenärzte können zwar zwischen einem abnormalen und einem normalen Augenhintergrund unterscheiden, es fehlt ihnen jedoch noch an der Fähigkeit, spezifische Krankheiten zu diagnostizieren. Mithilfe von DLS kann dieser Mangel behoben werden, wodurch die Rate der Fehldiagnosen erheblich gesenkt und auch die Einschränkungen hinsichtlich des Spezialisierungsgrades junger Augenärzte bei der Diagnose von Augenhintergrunderkrankungen verringert werden können.

Allerdings war die diagnostische Genauigkeit der Kontrollgruppe (60,51 TP3T) höher als die der Versuchsgruppe (44,21 TP3T). Durch die Überprüfung der Anmerkungen stellte die Studie fest, dass DLS dazu neigt, einem Bild mehr Beschriftungen hinzuzufügen, was zwar dazu beiträgt, Fehldiagnosen von jungen Augenärzten zu reduzieren, sich aber auch auf die Genauigkeit der Diagnose auswirkt.

Darüber hinaus weist diese Studie noch gewisse Einschränkungen auf. Erstens: Obwohl der Datensatz echte Bilder von Augenhintergrunderkrankungen auswählte, enthielten einige Kategorien nur eine kleine Anzahl von Bildern, was zu verzerrten Ergebnissen geführt haben könnte, und alle Teilnehmer waren chinesische Han-Patienten. In zukünftigen Arbeiten ist es notwendig, den prospektiven Datensatz weiter auszubauen und die Patiententypen zu bereichern.

Zweitens erfordern einige der für diese Studie ausgewählten Krankheiten eine Datensammlung ausgehend vom peripheren Netzhautbereich, was über den Umfang von Fundusbildern hinausgeht. Daher kann DLS sie im Anfangsstadium nicht erkennen. In der Studie wurde eine Weitfeld-Farb-Fundusfotografie verwendet, die dieses Problem bis zu einem gewissen Grad lösen kann.

Drittens: Da die diagnostischen Fähigkeiten junger Augenärzte mithilfe von DLS erheblich verbessert wurden, kann diese Technologie auch als Anwendungsszenario für Ausbildungszwecke genutzt werden. Auch dies ist ein bedeutsames Thema, das in zukünftigen Arbeiten umfassender untersucht und bewertet werden muss.

Professor Chen Youxin engagiert sich intensiv in der Augenheilkunde und fördert die Anwendung von KI

„Wie großartig ist das Peking Union Medical College Hospital?“ – Dies ist ein aktiver Beitrag auf einer chinesischen Social-Media-Plattform mit unzähligen Antworten, die anhand seltener Fälle die hervorragenden medizinischen Fähigkeiten des Peking Union Medical College Hospital demonstrieren. Als „Wiener Augenzentrum des Ostens“ ist die Augenklinik des Union Hospitals seit langem in der ersten Liga der Branche aktiv. Der derzeitige Abteilungsleiter, Chen Youxin, kann als Zeuge und Schöpfer der Entwicklungsgeschichte der Augenheilkunde in China bezeichnet werden.

Im Jahr 1993 kam Dr. Chen Youxin, der neu auf dem Gebiet der Augenheilkunde war, als Augenarzt unter Professor Zhang Chengfen an das Union Hospital. Im Jahr 2001 erhielt Professor Chen Youxin, der in den Vereinigten Staaten studierte, eine E-Mail von Professor Zhao Jialiang, dem damaligen Vorsitzenden der Abteilung für Augenheilkunde der Chinesischen Ärztevereinigung. Dieser hoffte, er könne so bald wie möglich nach China zurückkehren, um bei den Vorbereitungen für die 8. Nationale Akademische Konferenz für Augenheilkunde im folgenden Jahr zu helfen. Nach sorgfältiger Überlegung,Chen Youxin brach sein Studium schließlich vorzeitig ab und beschloss, nach China zurückzukehren, um dort die Nationale Jahreskonferenz für Augenheilkunde aufzubauen, eine Plattform, die später zahllosen chinesischen Augenärzten half, ihren Horizont zu erweitern.

Professor Chen Youxin beschäftigt sich seit langer Zeit mit Augenheilkunde. Im Jahr 1982 berichtete und benannte Professor Yannuzzi aus den USA auf einer Tagung der Macular Society erstmals eine Erkrankung des Augenhintergrunds: die idiopathische polypoidale choroidale Vaskulopathie (PCV). Im Laufe der Forschung stellten die Wissenschaftler fest, dass die Krankheit unter Asiaten am häufigsten auftritt und dass die große Bevölkerungszahl auch dazu führt, dass es in meinem Land eine große Zahl von Patienten mit dieser Krankheit gibt. Im Jahr 2017 wurde auf Initiative von Professor Chen Youxin die erste „PCV-Forschungsallianz“ in der chinesischen Ophthalmologie-Community gegründet.

Anschließend übernahm Professor Chen Youxin die Führung bei der Zusammenarbeit mit mehreren inländischen Institutionen zur Durchführung der START-Studie, einer praxisnahen Studie zur ophthalmischen Injektion von Conbercept bei der Behandlung von PCV. Finale,Die vom Team um Professor Chen Youxin geleitete Arbeit „Etablierung und theoretische Innovation des Diagnose- und Behandlungssystems für polypoidale choroidale Vaskulopathie“ gewann den zweiten Preis des China Medical Science and Technology Award 2022.

Auch,Li Bing, der Erstautor dieses Artikels, studierte bei Professor Chen Youxin und Professor Ye Junjie, einem Augenarzt am Peking Union Medical College Hospital.Derzeit ist er Assistenzarzt in der Abteilung für Augenheilkunde am Peking Union Medical College Hospital. Er hat als Erstautor mehr als 10 Artikel in SCI- und chinesischen Kernzeitschriften veröffentlicht und Vorträge auf akademischen Konferenzen wie dem National Ophthalmology Annual Meeting und dem National Fundus Disease Meeting gehalten.

Wenn es um die KI-gestützte Erkennung von Augenhintergrunderkrankungen geht, ist das Peking Union Medical College Eye Hospital führend. Bereits im Jahr 2021 gelang es Professor Chen Youxin, mithilfe künstlicher Intelligenz mehrere Krankheiten wie Venenokklusion, diabetische Läsionen und Makuladegeneration zu identifizieren. Die Methode erhielt zudem eine Förderung von 5 Millionen Yuan vom Beijing Key Project.

Derzeit führt die Abteilung für Augenheilkunde des Union Hospital Forschungsarbeiten zur Anwendung künstlicher Intelligenz beim Screening ophthalmischer Erkrankungen, bei der Behandlungsvorhersage, beim Zusammenhang zwischen Augen- und systemischen Erkrankungen, bei multimodalen und weitwinkligen Augenhintergrundläsionen und bei der Erkennung von Läsionen mehrerer Erkrankungen durch. Diese Forschung wurde in vielen Basisszenarien angewandt und gefördert und liefert Ideen und Lösungen zur Behebung des Problems der Schwierigkeiten und hohen Kosten medizinischer Behandlungen, die durch die ungleichmäßige Entwicklung der medizinischen Ressourcen verursacht werden.

Nach Ansicht von Professor Chen Youxin zielen alle Anstrengungen darauf ab, die medizinischen Ressourcen auf die unterste Ebene zu bringen, um Patienten fernab der Großstädte eine bessere Diagnose und Behandlung zu ermöglichen. Mit der Entwicklung von Technologien wie künstlicher Intelligenz zeigen die Bemühungen von Professor Chen Youxin erste Ergebnisse. Auch in Zukunft wird er weiterhin Schwierigkeiten überwinden und die Leistungsfähigkeit künstlicher Intelligenz bei der Pathogenese, Krankheitsentstehung, Diagnose und Behandlung verwandter Krankheiten einsetzen.

Quellen:
1.https://mp.weixin.qq.com/s/zctJN7Q7PYjsPypkStWcoA

2.https://mp.weixin.qq.com/s/LoXWmWVpYnrr1-vKBrpL6A

3.https://mp.weixin.qq.com/s/IFS5JWIyb_5mqfJccAQO2g

4.https://mp.weixin.qq.com/s/zxP9n_vGWNcH2rPW-dq37g

5.https://www.pumch.cn/detail/34540.html