1李墨涵 2蒋正轩 通讯作者：鲍宁
安徽附属二院 230000
【摘要】目的：探究分析基于人工智能深度学习的早产儿视网膜病变的临床辅助诊断。方法：2017年7月至2019年11月，本院眼科中心一共获取500张早产儿眼底筛查图像，建设眼底图像数据库，由本科5名眼科医生标注，创建深度学习智能识别系统，通过深度学习智能系统训练其自动诊断早产儿视网膜病变的功能，评估深度学习智能系统的自动化筛查早产儿视网膜病变分期、附加病变的价值。结果：人工智能深度学习系统诊出473例早产儿视网膜病变，准确诊出率为94.6％。其中Ⅰ期患儿诊出139例，Ⅱ期患儿诊出124例，Ⅲ期患儿诊出94例，Ⅳ期患儿诊出71例，Ⅴ期患儿诊出45例；人工智能深度学习系统诊出附加病变有439例，黄斑有402例，视盘有469例，激光治疗瘢痕有481例。结论：给予人工智能深度学习创建的智能系统可准确诊出早产儿视网膜病变，可用于早产儿视网膜病变的辅助诊断及疾病筛查，具有显著的应用价值，值得在临床进一步推广应用。
关键词：早产儿视网膜病变；人工智能深度学习；临床辅助诊断；分期；附加病变
早产儿视网膜病变是一种多发于低体重儿、早产儿的增生性血管性疾病。随着我国医疗技术、护理水平的提高，早产儿与极低体重儿的存活率不断升高，但是早产儿视网膜病变的发病率随之升高，早产儿视网膜病变逐渐成为了新生儿常见疾病[1]。导致早产儿视网膜病变发病的主要原因是患儿的孕周过短，过早离开子宫，接触外界环境，但患儿的眼底视网膜血管尚未发育完全，还未彻底血管化的视网膜出现纤维血管瘤收缩、增生现象，并进一步牵拉患儿的视网膜，导致患儿的视网膜脱离，最终导致新生儿失明[2]。现今，早产儿视网膜病变已经成为了导致儿童失明的主要疾病。世界卫生组织统计[3]得出，有5万名婴儿因早产儿视网膜病变失明。是以，实施早产儿视网膜病变筛查是非常有必要的。本研究主要探讨分析基于人工智能深度学习的早产儿视网膜病变的临床辅助诊断。报告如下。
1·资料与方法
1.1临床资料
2017年7月至2019年11月，本院眼科中心一共获取500张早产儿眼底筛查图像，500名患儿中，男性患儿有271例，女性患儿有229例；孕周在26-36周，平均孕周是（31.0±1.1）周。
1.2方法
本研究选用谷歌大脑团队开发的 TensorFlow开源软件库中的 Faster-RCNN 模型实施数据训练，原始模型来源于图像数据库 ImageNet。根据国际早产儿视网膜病变分类委员会制定的分配标注标签[4]，根据患儿眼底图像的病变特征，确定相应的视网膜病变分期，并根据早产儿视网膜病变的病变分期标准确定患儿的病变分期，分辨患儿血管的病变特征，确定患儿的眼底图像中是否有附加病变存在。同时，以早产儿视网膜病变1区的视盘中央为中心，标记视盘、激光治疗瘢痕及黄斑。
早产儿视网膜病变根据《中国早产儿视网膜病变筛查指南 (2014)》[5]制定，分期如下：Ⅰ期：患儿眼底颞侧边视网膜有白色分界线出现，分界线将有血管区域与无血管区域分开。Ⅱ期：患儿眼底有嵴样隆起样，可从眼眶后缘部位看见血管的进入情况，且白色分界线明显变宽变高。Ⅲ期：可清晰观察到新生血管从自嵴逐渐扩展至玻璃体、视网膜外纤维血管有增生情况发生。Ⅳ期：患儿的部分视网膜有脱离现象发生。Ⅴ期：患儿的视网膜全部脱离。
1.3统计学方法
所有研究数据均应用SPSS17.0统计学软件进行统计分析。
2·结果
人工智能深度学习系统诊出473例早产儿视网膜病变，准确诊出率为94.6％。其中500例患儿中，Ⅰ期患儿有145例，Ⅱ期患儿有131例，Ⅲ期患儿有101例，Ⅳ期患儿有75例，Ⅴ期患儿有48例。人工智能深度学习系统诊出Ⅰ期患儿139例，Ⅱ期期患儿124例，Ⅲ期患儿94例，Ⅳ期患儿71例，Ⅴ期患儿45例。人工智能深度学习系统诊出附加病变有439例，黄斑有402例，视盘有469例，激光治疗瘢痕有481例。详情见下表。
表1 人工智能深度学习系统的早产儿视网膜病变诊出情况（n/％）
.png)
3·讨论
有研究[6]明确指出，早产儿视网膜病变的筛查工作中面临着大量挑战：早产儿视网膜病变诊断以眼科医师的诊断为主，缺乏相对精确的量化标准，而不同眼科医生的诊断结果也具有不一致性；眼科医师有时工作过于疲劳、或被私人情绪影响导致工作状态不佳，在此基础上进行诊断容易造成误诊与漏诊；我国各个地区的医疗资源分布不平衡，医疗资源比较落后的地区，患儿难以得到及时有效的诊断与治疗[7]。
眼睛是人体中最重要的器官之一，眼睛的好坏直接决定着人体所获取的外界信息情况，一双健康的眼睛可以帮助新生儿认识观察世界。但是，失明则会导致患儿长期生活在黑暗中，严重影响患儿日常生长的同时，影响患儿的生存质量，也会给患儿家庭造成极大的负担。早期筛查早产儿视网膜病变，早期进行有效治疗，可降低患儿的致盲率。有研究[8]指出，中国的盲人数量在全世界排前几位，若不及时给予有效筛查，及时确诊、干预早产儿视网膜病变。极有可能在现有基础上再次增加我国盲人的数量。
视网膜眼底图像是筛查早产儿视网膜病变的重要数据。早期因为被不发达的医疗技术影响，在获取视网膜眼底图像时需在患者体内注射相应的造影剂，且眼底荧光素血管造影的时间比较长，会对人体造成一定危害。随着我国眼科摄像技术的飞速发展，临床开始应用彩色眼底照相技术，该技术具有便捷、安全、准确度高的特点，可获取相对清晰准确的图像。所以，彩色眼底照相技术近年来在临床得到了广泛应用。
随着计算机技术、人工智能技术的飞速发展与应用，深度学习理论、技术的飞速进步。有研究指出，眼科医生筛查视网膜病变时，AI 辅助，可提高眼科医生的接诊量，可进一步提高眼科医生的工作效率，可让更多患者得到就诊。而在深度学习基础上构建人工智能深度学习系统，并在早产儿视网膜病变的筛查中应用，不仅可以增加患儿的诊断数量，而且可以减轻眼科医师的工作量，有效诊出早产儿视网膜病变。通过 Faster-RCNN 模型深度学习，能够将大量视网膜病变眼底图像作为样本，训练眼科医生的能力。通过深度训练，可自动提取视网膜病变眼底图片中存在的病灶特征，可提高医生的诊断效率。现今所应用的智能筛查系统是基于卷积神经网络的，卷积神经网络是一种囊括卷积计算、并含有神队结构的一种前馈神经网络，也是深度学习的典型算法之一。卷积神经网络以卷积、池化为基础操作，其主要目的是提取输入数据的典型特征。卷积层则是CNN核心。现今在图像识别中应用的卷积多为二维卷积，也就是卷积核和二维图像进行卷积操作。不同卷积能够提取不同特征，比如线性、边沿等等特征。在深层卷积神经网络中，利用卷积操作能够准确提取比较复杂的特征。
从本研究结果可以看出，500例早产儿视网膜病变，其中人工智能深度学习系统诊出473例早产儿视网膜病变，准确诊出率为94.6％。可见，人工智能深度学习系统是具有一定应用价值的。但因为现今临床应用的自动筛查系统多数只能自动识别、检测视网膜病变的附加病变血管迂曲程度，无法识别、检测那些不够典型、不够明显的病变，所以可用的检测指标比较单一，临床的整体应用价值不高。再者，这种辅助诊断虽然能够识别、检测早产儿视网膜病变的病变分期与附加病变，但是无法进行个体化处理，无法辅助主治医师，为患儿展开针对性治疗，存在一定的局限性。
由上可知，基于人工智能深度学习的早产儿视网膜病变的临床辅助诊断具有理想的应用效果。
参考文献:
[1]童妍,卢苇,徐阳涛, 等.基于深度学习的早产儿视网膜病变的临床辅助诊断[J].中华实验眼科杂志,2019,37(8):647-651.
[2]汪佶,张贵华,林建伟, 等.深度学习中标准化人工标注在早产儿视网膜病变图像识别中的应用[J].中华实验眼科杂志,2019,37(8):653-657.
[3]无.用人工智能诊断早产儿视网膜病变[J].中国新闻周刊,2018,000(018):P.87-87.
[4]王一帆,龙彬.早产儿视网膜病变智能筛查系统[J].现代计算机,2019,(10):36-39,52.
[5]翁铭,郑博,吴茂念, 等.基于深度学习的DR筛查智能诊断系统的初步研究[J].国际眼科杂志,2018,18(3):568-571.
[6]肖志涛,崔宁,吴骏, 等.基于Hesse矩阵和多尺度分析的视网膜动静脉血管管径测量方法[J].电子与信息学报,2016,38(11):2871-2878.
[7]庞浩,王枞.用于糖尿病视网膜病变检测的深度学习模型[J].软件学报,2017,28(11):3018-3029.
[8]张波,蔡文茜,张德勇, 等.屈光参数对早产儿视网膜病变患儿发生近视的预测诊断价值[J].中国斜视与小儿眼科杂志,2019,27(3):20-23,后插3.