Die Shanghai Jiao Tong University Und Die Tsinghua University Haben Gemeinsam DeepDR Plus Veröffentlicht, Das Den Verlauf Der Diabetischen Retinopathie Innerhalb Von 5 Jahren Nur Anhand Von Fundusbildern Vorhersagen Kann

Im Jahr 1996 trat Ella Fitzgerald, bekannt als die First Lady des Jazz,Beverly HillsZu Hause gestorben. Diese talentierte Sängerin gewann 13 Grammy Awards und verkaufte über 40 Millionen Alben, starb jedoch schließlich an diabetischer Retinopathie (DR). Heute zählt Diabetes zu den vier häufigsten chronischen Erkrankungen in unserem Land; jeder zehnte Mensch leidet darunter. Laut Forschungsdaten, die im Juli 2023 von Akademiker Jia Weiping veröffentlicht wurden, gibt es in meinem Land etwa 19,5 Millionen Patienten mit diabetischer Retinopathie.

Datenquelle:https://www.nature.com/articles/s41467-023-39864-w

Im Allgemeinen verläuft die diabetische Retinopathie im Frühstadium relativ versteckt und asymptomatisch, im Spätstadium sind die Patienten jedoch nahezu blind und die Krankheit ist irreversibel. Bei Erwachsenen im Alter zwischen 20 und 74 Jahren ist es mittlerweile die häufigste Ursache für vermeidbare Blindheit. Die diabetische Retinopathie schreitet normalerweise langsam voran, wird jedoch durch mehrere Risikofaktoren beeinflusst. Das Risiko für den Ausbruch und das Fortschreiten der Krankheit ist bei verschiedenen Personen sehr unterschiedlich, sodass eine genaue Diagnose und Einschätzung des Entwicklungsrisikos für Ärzte und Patienten zu einer großen Herausforderung geworden ist.

Da KI im medizinischen Bereich eine immer wichtigere Rolle spielt, wurden Deep Learning und Convolutional Neural Networks eingesetzt, um diabetische Retinopathie anhand von Netzhautfotos automatisch zu erkennen.Doch nur wenige sind in der Lage, Risiken vorausschauend vorherzusagen.

Zu diesem Zweck hat das Team von Professor Jia Weiping und Professor Li Huating, Dekan des Instituts für aktive Gesundheitsstrategie und -entwicklung der Jiaotong-Universität Shanghai, der Abteilung für Endokrinologie und Stoffwechsel des Sechsten Volkskrankenhauses Shanghai und des Shanghai Key Laboratory of Diabetes, das Team von Professor Sheng Bin von der Abteilung für Informatik der Fakultät für Elektrotechnik der Jiaotong-Universität Shanghai/Key Laboratory of Artificial Intelligence des Bildungsministeriums und das Team von Professor Huang Tianyin, Prodekan für akademische Angelegenheiten und Direktor der medizinischen Fakultät der Tsinghua-Universität, DeepDR Plus entwickelt, ein Frühwarnsystem für Komplikationen bei diabetischer Retinopathie, das auf Deep Learning von zeitseriellen Bildsequenzen basiert. Es kann den Verlauf der diabetischen Retinopathie innerhalb von 5 Jahren allein auf Grundlage von Fundusbildern vorhersagen.

Forschungshighlights:

* Entwicklung und Validierung eines Deep-Learning-Systems (DeepDR Plus) zur Vorhersage des Fortschreitens der diabetischen Retinopathie allein anhand von Fundusbildern

* Das System wurde in China und Indien auf reale klinische Fälle angewendet, wodurch sich das durchschnittliche Screening-Intervall bei klinischen Anwendungen von 12 Monaten auf 31,97 Monate verlängerte

* Das System kann die Screening-Häufigkeit und die Kosten für das öffentliche Gesundheitswesen deutlich reduzieren und gleichzeitig die Rate der Fehldiagnosen sehr niedrig halten

Papieradresse:
https://doi.org/10.1038/s41591-023-02702-z
Download des Datensatzes mit einem Klick:
https://hyper.ai/datasets/29716
Folgen Sie dem offiziellen Konto und antworten Sie mit „DR“, um das vollständige PDF zu erhalten

Datensatz: Klinische Daten aus China und Indien

Um zunächst die mit der diabetischen Retinopathie verbundenen Merkmale zu erlernen, wurde das DeepDR Plus-System mithilfe von 717.308 Fundusbildern von 179.327 Diabetikern aus dem Shanghai Comprehensive Diabetes Prevention and Care System (Shanghai Comprehensive Model) und dem Shanghai Diabetes Prevention Program (SDPP) vortrainiert.

Darunter ist SDPP eine gemeindebasierte Längsschnitt-Kohortenstudie mit 79.284 Teilnehmern, die zwischen Dezember 2015 und November 2022 im Huadong Sanatorium und im Shanghai Sixth People's Hospital körperlich untersucht wurden. 25.231 dieser Teilnehmer absolvierten mindestens vier Jahre lang eine jährliche Nachuntersuchung.

Anschließend entwickelten und validierten die Forscher das Modell in einem internen Datensatz, der aus 76.400 Fundusbildern von 19.100 Diabetikern aus der Kohorte der Diabetic Retinopathy Progression Study (DRPS) bestand und im Verhältnis 9:1 in einen Entwicklungsdatensatz und einen internen Testsatz aufgeteilt wurde. Zur externen Validierung wurden acht unabhängige Längsschnittkohorten verwendet.

Um die Wirksamkeit des in den klinischen Arbeitsablauf integrierten DeepDR Plus-Systems zu bewerten,Im Rahmen der Studie wurde auch eine Realweltstudie in einer gemeinschaftsbasierten prospektiven Kohortenstudie mit chinesischen Erwachsenen durchgeführt.Insgesamt wurden 2.185 Teilnehmer in die Analyse einbezogen, darunter 538 Teilnehmer der integrierten Managementgruppe (IM) (allgemeines Diabetes-Managementprogramm im Krankenhaus und in der Gemeinde) und 1.647 Teilnehmer der Nicht-IM-Gruppe. Um die Ergebnisse der Integration in den klinischen Arbeitsablauf weiter zu evaluieren,Im Rahmen der Studie wurde auch eine Realweltstudie in einer prospektiven indischen Kohorte (SN-DREAMS) durchgeführt.Darunter wurden 992 Diabetikerpatienten vier Jahre lang in Folge nachbeobachtet.

Modell: Fundusbilder allein können Krankheitsverlauf effektiv vorhersagen

Das DeepDR Plus-System umfasst drei Modelle zur Vorhersage des Fortschreitens der diabetischen Retinopathie:Datenmodell, Fundusmodell und kombiniertes Modell. In:

Das Fundusmodell verwendet ResNet-50 als Rückgrat, um Merkmale aus Fundusbildern zu extrahieren, und verwendet eine Soft-Attention-Schicht, um die Merkmale mit den meisten Informationen auszuwählen.In dieser Studie wurde zunächst Momentum Contrast (MoCo, v2) verwendet, um mithilfe von selbstüberwachtem Lernen einen vortrainierten Merkmalsextraktor zum Extrahieren von Merkmalen aus Fundusbildern zu erstellen. Gleichzeitig verwendete die Studie auch den Konkordanzindex (C-Index) und IBS Das integrierte Brier-Score-Bewertungsmodell prognostizierte den Verlauf der diabetischen Retinopathie bei den Teilnehmern in den nächsten fünf Jahren.

Das Metadatenmodell gibt Metadaten ein, um Überlebensvorhersagen zu generieren.Hierzu zählten Alter, Geschlecht, Raucherstatus, Dauer der Diabeteserkrankung, DR-Basiswert, Body-Mass-Index, Glykoprotein HbA1c, systolischer Blutdruck, diastolischer Blutdruck, Triglyceride, Low-Density-Lipoprotein-Cholesterin und High-Density-Lipoprotein-Cholesterin.

Das kombinierte Modell gibt sowohl den Fundus-Score als auch die Metadaten des Fundus-Modells ein.

Bei der internen Validierung betrugen die Konsistenzindizes des Metadatenmodells, des Fundusmodells und des kombinierten Modells zur Vorhersage des Fortschreitens der diabetischen Retinopathie bei Patienten 0,696, 0,823 bzw. 0,833. Die Ergebnisse zeigen, dass die Leistung des kombinierten Modells der des Fundusmodells ähnelt und besser ist als die des Metadatenmodells. Dies zeigt die genaue Vorhersageleistung des Fundusmodells. In 8 unabhängigen externen Datensätzen erzielte das Modell eine ähnliche Leistung bei der Vorhersage des Fortschreitens der diabetischen Retinopathie.Dies weist darauf hin, dass das DeepDR Plus-System über eine hohe Konsistenz und starke Kalibrierung verfügt.

Um festzustellen, wann Patienten einen Augenarzt aufsuchen sollten, um das Ausmaß des DR-Fortschreitens zu beurteilen, wurden im Rahmen der Studie auch drei Untergruppenanalysen durchgeführt, um die Vorhersagefähigkeit des DeepDR Plus-Systems weiter zu belegen. Die drei Untergruppen umfassten DM ohne Retinopathie, die an DR überwiesen wurden (Untergruppe 1), DR, die keine Überweisung an DR erforderten, die eine Überweisung erforderte (Untergruppe 2) und DR, bei denen die Sehkraft nicht gefährdet war, an DR, bei dem die Sehkraft gefährdet war (Untergruppe 3).

In der Studie wurde das DeepDR Plus-System in drei großen Untergruppen verwendet, um die Verschlechterung verschiedener DR-Grade innerhalb von 5 Jahren anhand von Netzhaut-Basisbildern vorherzusagen. Die Ergebnisse zeigten, dass der Konsistenzindex des Metadatenmodells in den drei Hauptuntergruppen 0,700–0,711 und der IBS 0,261–0,328 betrug; der Konsistenzindex des Fundusmodells stieg auf 0,826, 0,820 und 0,824 und IBS sank auf 0,153–0,189; Der Konsistenzindex des kombinierten Modells lag bei 0,835–0,852 und der IBS-Index bei 0,145–0,167.

Darüber hinaus bewertete die Studie die Vorhersageleistung des Fundusmodells anhand eines externen Datensatzes und erzielte vergleichbare Ergebnisse wie ein interner Datensatz.Die Ergebnisse zeigten, dass Fundusbilder allein den Krankheitsverlauf wirksam vorhersagen konnten.

KI-gesteuerte personalisierte Screening-Intervalle

Im Rahmen dieser Studie wurden in der IM-Gruppe regelmäßig klinische Tests und Stoffwechselmessungen durchgeführt und sie erhielt Beratung durch Experten des Allgemeinkrankenhauses. Daher wurden in dieser Studie die IM-Gruppe und die Nicht-IM-Gruppe weiter in Niedrigrisiko- und Hochrisikogruppen unterteilt und alle Teilnehmer mithilfe des Fundusmodells und des Metadatenmodells im DeepDR Plus-System bewertet.

In der Nicht-IM-Gruppe war die Wahrscheinlichkeit, dass Patienten in der Hochrisikogruppe des Fundusmodells eine diabetische Retinopathie entwickelten, höher, und bei Patienten in der Niedrigrisikogruppe des Fundusmodells war die Wahrscheinlichkeit, dass sie eine diabetische Retinopathie entwickelten, im Vergleich zum Metadatenmodell geringer.

Darüber hinaus wurde in der Studie die Leistung personalisierter Screening-Programme, die von Metadatenmodellen oder Fundusmodellen empfohlen werden, im Vergleich zu festen jährlichen Screenings bewertet.Wenn alle Teilnehmer der IM- und Nicht-IM-Gruppen das empfohlene personalisierte Screening-Intervall des Fundusmodells einhalten würden, könnte das durchschnittliche Screening-Intervall von 12 Monaten auf 31,97 Monate verlängert werden.Im Vergleich zum Metadatenmodell erreichte das Fundusmodell eine ähnliche Reduzierung der Screening-Häufigkeit und verringerte gleichzeitig die verzögerte Erkennungsrate von DR erheblich. Darüber hinaus war die verzögerte Erkennungsrate jeglicher DR-Progression in der IM-Gruppe niedriger als in der Nicht-IM-Gruppe, wenn das vom Fundusmodell empfohlene Screening-Intervall (0,37% vs. 1,28%) verwendet wurde. Dies legt nahe, dass das DeepDR Plus-System die verzögerte Erkennungsrate von DR unabhängig von zukünftigen Eingriffen garantiert senkt.

Zusammenfassend lässt sich sagen, dass Fundusmodelle im Vergleich zu Metadatenmodellen die Teilnehmer genauer stratifizieren können, wodurch personalisierte Interventionen möglich werden und die Häufigkeit des DR-Screenings reduziert wird, während gleichzeitig die Verzögerung bei der Erkennung des DR-Fortschritts verringert wird.

China ist führend bei der KI-Diagnose diabetischer Retinopathie

kürzlich,AGILE  Der Global Artificial Intelligence Governance Assessment Index wurde offiziell veröffentlicht und bewertet und entschlüsselt erstmals die neue globale Governance-Landschaft für künstliche Intelligenz. Die Ergebnisse der Bewertung zeigen, dass die USA und China hinsichtlich des Entwicklungsniveaus der künstlichen Intelligenz gemessen am Gesamtvolumen die Spitzenposition einnehmen.

Dank der rasanten Entwicklung der inländischen künstlichen Intelligenztechnologie hat mein Land auf dem Gebiet der durch künstliche Intelligenz unterstützten medizinischen Versorgung ermutigende Fortschritte erzielt und kann allein beim Screening auf diabetische Retinopathie sogar mit den Vereinigten Staaten Schritt halten. Bereits im Jahr 2013 begannen die Teams von Jia Wei und Li Huating vom Sechsten Volkskrankenhaus der Medizinischen Fakultät der Shanghai Jiao Tong University zusammen mit dem Team von Sheng Bin vom Institut für Informatik der Shanghai Jiao Tong University mit der Erforschung einer Technologie zur automatischen Extraktion von Merkmalen der diabetischen Retinopathie.

Im Jahr 2016 verwendete Google ein Deep-Learning-System, um mittelschwere bis schwere DR genau zu diagnostizieren, nachdem es mit einer großen Menge an Bilddaten zur diabetischen Retinopathie trainiert worden war. Die Ergebnisse wurden im Journal of the American Medical Association (JAMA) .

Inspiriert von Google war Huang Tianyin, der damalige Direktor des Singapore National Eye Centre, schockiert. Gleichzeitig ist Huang Tianyin der Ansicht, dass die Forschung von Google immer noch mit der Einschränkung behaftet sei, dass eine multiethnische Verifizierung fehle. Im Jahr 2017 entwickelten Huang Tianyin und das Team des Singapore National Eye Centre erfolgreich ein neues Deep-Learning-System, mit dem erstmals DR und andere damit verbundene Augenkrankheiten in einer multiethnischen und multinationalen Kohorte effektiv diagnostiziert werden konnten. Die Ergebnisse wurden anschließend im JAMA-Journal veröffentlicht.

Ebenfalls im Jahr 2017 übernahm die Gesundheits- und Familienplanungskommission von Hangzhou die Führung bei der Einführung eines Screening-Projekts für diabetische Retinopathie und führte eine tragbare Funduskamera ein, die auf künstlicher Intelligenz basierender Diagnose basiert, um das Problem des Mangels an professionellen medizinischen Ressourcen auf der Basisebene zu lösen. Gleichzeitig sind in China zahlreiche medizinische Geräte mit künstlicher Intelligenz auf den Markt gekommen, die mehr Patienten neue Hoffnung auf Heilung ihrer Krankheiten geben.

Im Jahr 2018 kooperierte das Team von Jia Weiping mit dem Team von Huang Tianyin und schloss sich mit akademischen Einrichtungen von Weltrang wie dem Singapore National Eye Center zusammen, um die Genehmigung zur Gründung des Shanghai „Belt and Road“ International Joint Laboratory for Intelligent Prevention and Control of Metabolic-Related Diseases zu erhalten und eine Zusammenarbeit im Bereich der Diabetesprävention und -behandlung durchzuführen.

Obwohl die Entwicklung auf Hochtouren läuft, wurde das KI-Diagnosesystem noch nicht unmittelbar in der klinischen Diagnose und Behandlung weiter verifiziert. Im Jahr 2020 veröffentlichte das Google-Team einen Bericht, in dem es feststellte, dass sein KI-Diagnosesystem für diabetische Retinopathie bei klinischen Anwendungen in Thailand eine starke „Unangepasstheit“ aufwies. Mehr als ein Fünftel der Bilder wurden vom System aufgrund mangelnder Klarheit abgelehnt. Krankenschwestern mussten erneut Fotos machen und Patienten wurden zur Behandlung in andere Krankenhäuser verlegt. Das entsprechende KI-System wurde nach der Implementierung in 11 Kliniken in Thailand abgelehnt.

Während KI-Diagnosesysteme im Ausland auf klinische Hindernisse stoßen, befinden sich inländische KI-Diagnosesysteme in einer Phase rasanter Entwicklung. Im August 2020 wurde in meinem Land die erste Charge einer auf Deep-Learning-Technologie basierenden, Fundusbild-gestützten Diagnosesoftware für diabetische Retinopathie zur Vermarktung zugelassen. Im Jahr 2021 veröffentlichte die Nankai University CABNet (Category Attention Block) und schlug den Global Attention Block vor, der die Leistung bestehender Deep Architectures mit nur wenigen zusätzlichen Parametern deutlich verbessern und eine hervorragende Leistung bei der DR-Klassifizierung erzielen kann.

Ebenfalls im Jahr 2021 brachten die Teams von Jia Weiping und Sheng Bin gemeinsam das DeepDR-System auf den Markt, das verschiedene Schweregrade von Netzhautläsionen vom leichten bis zum proliferativen Stadium genau unterscheiden kann.Für die Kernerrungenschaften wurden in China drei Erfindungspatente und in den USA ein Erfindungspatent erteilt und sie werden in vielen Krankenhäusern im ganzen Land eingesetzt. Im selben Jahr wurde Huang Tianyin Professor an der Tsinghua-Universität. Die interdisziplinären medizinischen und technischen Teams der Shanghai Jiao Tong University und der Tsinghua University haben begonnen, eine engere interdisziplinäre Zusammenarbeit und gemeinsame Forschung im Bereich der KI-gestützten Diabetes-Management-Technologie und klinischen Praxis durchzuführen, was auch die bisherige Forschung beider Parteien beschleunigt hat.

Die heutige Einführung des DeepDR Plus-Systems hat die Effizienz, Fairness und Zugänglichkeit von Fundusfilm-Screenings in Entwicklungsländern erheblich verbessert und einen neuen Weg zur Verbesserung der Qualität, Effizienz sowie Reform und Innovation von Diabetes-Management-Modellen in Ländern und Regionen mit niedrigem und mittlerem Einkommen auf der ganzen Welt eröffnet. Künstliche Intelligenz wird in naher Zukunft sicherlich mehr Diabetikern neue Hoffnung auf Heilung geben.

Quellen:
1.https://new.qq.com/rain/a/20240123A05OOZ00
2.https://m.thepaper.cn/baijiahao_20929983
3.https://baijiahao.baidu.com/s?id=1791412684120469650&wfr=spider&for=pc
4.https://www.nsfc.gov.cn/csc/20340/20343/57820/index.html