特發(fā)性黃斑裂孔的人工智能診斷研究△

朱娟 ?；ɡ?李進(jìn)

眼科學(xué)是一門(mén)高度依賴影像技術(shù)發(fā)展的學(xué)科。特別是眼底病學(xué)，由于其病理特征和檢查手段的獨(dú)特性，影像學(xué)技術(shù)分析成為眼底病診斷中重要的工具之一。人工智能的發(fā)展是一場(chǎng)新的技術(shù)革命[1]，而圖像處理和特征識(shí)別是人工智能重要的研究方向之一。由于眼底影像對(duì)眼底病進(jìn)行計(jì)算機(jī)輔助診斷具有診斷效率高、結(jié)果一致性好等特點(diǎn)，所以醫(yī)學(xué)智能診斷系統(tǒng)能夠幫助臨床醫(yī)師對(duì)患者病情進(jìn)行更加有效地分析和診斷。特發(fā)性黃斑裂孔是指無(wú)明顯病因發(fā)生于黃斑中心的全層神經(jīng)上皮層缺失[2]。由于黃斑中心凹視網(wǎng)膜結(jié)構(gòu)的局限性全層缺損，因此對(duì)患者的中心視力產(chǎn)生極大影響。當(dāng)發(fā)生黃斑囊樣水腫或者特發(fā)性黃斑裂孔性視網(wǎng)膜脫離等并發(fā)癥時(shí)，則會(huì)導(dǎo)致視力嚴(yán)重下降，甚至失明[3]。如果早期發(fā)現(xiàn)特發(fā)性黃斑裂孔，并在發(fā)生嚴(yán)重并發(fā)癥之前對(duì)其進(jìn)行有效的醫(yī)療干預(yù)，可最大程度挽救患者視力。因此，早期發(fā)現(xiàn)并確診對(duì)于特發(fā)性黃斑裂孔患者來(lái)說(shuō)具有非常重要的意義。光學(xué)相干斷層掃描 (optical coherence tomography，OCT)是近十年迅速發(fā)展起來(lái)的一種成像技術(shù)，它利用弱相干光干涉儀的基本原理，檢測(cè)生物組織不同深度層面對(duì)弱相干光的背向反射或散射信號(hào)，通過(guò)掃描可得到生物組織二維或三維結(jié)構(gòu)圖像。OCT由于其分辨率高，能夠直觀顯示裂孔處組織病變剖面圖，被稱為診斷及鑒別特發(fā)性黃斑裂孔的“金標(biāo)準(zhǔn)”[4]。然而，目前對(duì)特發(fā)性黃斑裂孔的診斷基本都是依靠人工判斷的方式，在大規(guī)模眼底篩查中效率較低。另外，由于受醫(yī)療成像設(shè)備、人為操作控制等影響，在實(shí)際的醫(yī)療工作中捕獲的數(shù)字圖像影像或多或少地存在諸如噪聲、邊緣不清、病灶不清、對(duì)比度不強(qiáng)等問(wèn)題，而且在一些基層醫(yī)院缺乏有經(jīng)驗(yàn)的眼底病醫(yī)師，影響疾病的早期診斷。因此，利用計(jì)算機(jī)數(shù)字圖像處理技術(shù)并結(jié)合人工智能算法在醫(yī)學(xué)影像技術(shù)上的應(yīng)用可以極大消除影響數(shù)字影像成像的不利因素，并且可以快速準(zhǔn)確地批量處理醫(yī)學(xué)圖像，對(duì)特發(fā)性黃斑裂孔的普查具有非常重要的意義。因此，探討計(jì)算機(jī)輔助處理OCT圖像診斷特發(fā)性黃斑裂孔具有臨床上的實(shí)際應(yīng)用意義[5-6]。

鑒于此，本研究對(duì)OCT圖像進(jìn)行人工智能學(xué)習(xí)，利用圖像處理和特征識(shí)別判斷技術(shù)，使計(jì)算機(jī)能夠智能分析并獲取正常人和特發(fā)性黃斑裂孔患者OCT圖像特征和區(qū)別，提出一種能夠?qū)崿F(xiàn)智能區(qū)分正常人眼和特發(fā)性黃斑裂孔患眼的特征參數(shù)的方法[7]。最后，通過(guò)對(duì)OCT圖像特征智能參數(shù)的學(xué)習(xí)，給出合理的閾值，智能判斷出正常人和特發(fā)性黃斑裂孔患者，達(dá)到自動(dòng)診斷的目的。

1 資料與方法

1.1 一般資料訓(xùn)練數(shù)據(jù)來(lái)源：收集2018年5-8月在西安市第四醫(yī)院眼科診斷為特發(fā)性黃斑裂孔患者48例(48眼)，其中男20例(20眼)、女28例(28眼)，平均年齡55.0歲。另選取48人(48眼)正常眼底OCT圖像為對(duì)照組，其中男15例(15眼)、女33例(33眼)，平均年齡47.1歲。兩組年齡與性別差異均無(wú)統(tǒng)計(jì)學(xué)意義(均為P>0.05)。

測(cè)試數(shù)據(jù)來(lái)源：隨機(jī)對(duì)2018年9-12月西安市第四醫(yī)院眼科診斷為特發(fā)性黃斑裂孔患者73例和正常51人的OCT圖像進(jìn)行測(cè)試。測(cè)試數(shù)據(jù)要求與訓(xùn)練數(shù)據(jù)無(wú)重復(fù)及相關(guān)，用于算法的有效性進(jìn)行驗(yàn)證。

特發(fā)性黃斑裂孔患者入選標(biāo)準(zhǔn)：經(jīng)眼底、三面鏡以及OCT檢查確診為特發(fā)性黃斑裂孔；排除標(biāo)準(zhǔn)：排除包括青光眼、高度近視、眼底疾病(如糖尿病視網(wǎng)膜病變、視神經(jīng)病變)、眼外傷史、視網(wǎng)膜脫離、有明確繼發(fā)因素導(dǎo)致的繼發(fā)性黃斑裂孔[8-9]。

1.2 智能診斷方法本研究的核心算法是一種基于特征參數(shù)提取和智能門(mén)限選取的特發(fā)性黃斑裂孔自動(dòng)診斷算法[10-11]，本算法主要是將機(jī)器學(xué)習(xí)過(guò)程和人工智能診斷過(guò)程進(jìn)行了有機(jī)結(jié)合，機(jī)器學(xué)習(xí)的主要目的是獲得初始閾值，以便后續(xù)能夠進(jìn)行閾值判斷，人工智能診斷主要是對(duì)未知結(jié)果OCT圖像進(jìn)行圖像特征識(shí)別和特征算法提取，以便后續(xù)進(jìn)一步處理。因此，人工智能診斷特發(fā)性黃斑裂孔的主要步驟有四步：(1)對(duì)OCT圖像進(jìn)行預(yù)處理，最大程度減少不相干噪聲的影響；(2)機(jī)器學(xué)習(xí)過(guò)程獲取已診斷圖像的特征參數(shù)作為初始閾值；(3)人工智能診斷過(guò)程對(duì)提取圖像利用人工智能判別算法進(jìn)行診斷；(4)智能反饋修正，對(duì)初始閾值進(jìn)行修正，使其具有更好適應(yīng)性的自我學(xué)習(xí)修正能力。

1.2.1 圖像預(yù)處理圖像預(yù)處理是只對(duì)原始視覺(jué)信息圖像進(jìn)行一系列統(tǒng)一處理，使不同來(lái)源的圖像能夠在后續(xù)使用相同標(biāo)準(zhǔn)的檢測(cè)算法進(jìn)行檢測(cè)，其優(yōu)點(diǎn)為能夠最大范圍地包容幾乎所有OCT圖像，極大擴(kuò)展了算法的通用性和實(shí)用性。具體步驟：將原始圖像轉(zhuǎn)化為灰度圖像，對(duì)圖像進(jìn)行降噪處理，對(duì)圖像進(jìn)行邊緣提取，最后對(duì)圖像邊緣信息進(jìn)行檢測(cè)并記錄。見(jiàn)圖1。

1.2.2 機(jī)器學(xué)習(xí)過(guò)程機(jī)器學(xué)習(xí)是人工智能領(lǐng)域的一個(gè)重要分支，該方法和傳統(tǒng)計(jì)算機(jī)程序最大的不同在于機(jī)器學(xué)習(xí)是一種讓計(jì)算機(jī)利用數(shù)據(jù)而不是指令來(lái)進(jìn)行各種工作的方法。本算法主要利用機(jī)器學(xué)習(xí)過(guò)程中對(duì)于預(yù)處理圖像進(jìn)行的一系列計(jì)算，進(jìn)而得到后續(xù)所需要的判斷門(mén)限，即閾值。計(jì)算過(guò)程主要是分別輸入正常人和特發(fā)性黃斑裂孔患者的OCT預(yù)處理圖像，計(jì)算訓(xùn)練樣本的圖像特征參數(shù)，根據(jù)特征參數(shù)計(jì)算初始閾值。

1.2.3 人工智能診斷過(guò)程輸入一張或多張待診斷的OCT圖像，計(jì)算機(jī)將對(duì)圖像進(jìn)行初始化后利用圖像特征提取算法提取圖像特征參數(shù)，并將該參數(shù)與當(dāng)前閾值進(jìn)行比較，如果該圖像特征參數(shù)大于等于樣本閾值，則判定本圖像為特發(fā)性黃斑裂孔患者，且特征參數(shù)數(shù)值越大，可靠性越高，如果該圖像特征參數(shù)小于樣本閾值，則判定本圖像為正常人。

圖1 特發(fā)性黃斑裂孔患者OCT圖像預(yù)處理過(guò)程。A：原始OCT圖像；B：彩色OCT圖像轉(zhuǎn)化的灰度圖；C：高斯濾波后的OCT圖像；D：提取的OCT圖像邊緣

1.2.4 智能反饋修正過(guò)程每次對(duì)患者和正常人進(jìn)行一次判別后，系統(tǒng)都會(huì)記錄下結(jié)果，并將結(jié)果反饋給機(jī)器學(xué)習(xí)過(guò)程，系統(tǒng)會(huì)根據(jù)最新輸入的結(jié)果對(duì)后續(xù)閾值進(jìn)行自我學(xué)習(xí)和更新，使閾值更能匹配目前批次的樣本輸入。這樣的優(yōu)點(diǎn)是使不同樣本輸入時(shí)不會(huì)出現(xiàn)明顯的樣本斷層和閾值斷層，有利于程序的穩(wěn)定運(yùn)行。

1.3 觀察項(xiàng)目計(jì)算待判斷圖像的特征參數(shù)，并與當(dāng)前閾值進(jìn)行比較，每當(dāng)判斷完一次OCT圖像之后，根據(jù)當(dāng)前OCT的結(jié)果更新閾值。

1.4 統(tǒng)計(jì)學(xué)方法采用SPSS 19.0統(tǒng)計(jì)軟件對(duì)人工智能判斷結(jié)果及眼科醫(yī)生判斷結(jié)果進(jìn)行χ2檢驗(yàn)。檢驗(yàn)水準(zhǔn)：α=0.05。

2 結(jié)果

經(jīng)計(jì)算得到訓(xùn)練樣本中正常人OCT圖像特征參數(shù)為9，特發(fā)性黃斑裂孔患者OCT圖像特征參數(shù)為23，初始閾值為16。124例隨機(jī)圖像中73例OCT特征參數(shù)最小值為16.8，最大值為27.5，平均值為23.4，特征參數(shù)均大于閾值，無(wú)明顯分布特征(圖2)；51例隨機(jī)圖像OCT特征參數(shù)最小值為2.8，最大值為14.7，平均值為8.3，特征參數(shù)均小于閾值，無(wú)明顯分布特征。經(jīng)過(guò)比對(duì)，特征參數(shù)大于閾值的73例OCT圖像均為特發(fā)性黃斑裂孔，特征參數(shù)小于閾值的51例OCT圖像均為正常人。計(jì)算機(jī)判斷結(jié)果與眼科醫(yī)生判斷結(jié)果比較，差異無(wú)統(tǒng)計(jì)學(xué)意義(P=0.551)。

3 討論

根據(jù)報(bào)道，目前國(guó)際上Alphag的開(kāi)發(fā)者The Google Brian Team(屬于Google的子公司Deepmind)展示了人工智能在糖尿病視網(wǎng)膜病變?cè)\斷中的應(yīng)用成果，并發(fā)表在《美國(guó)醫(yī)學(xué)會(huì)雜志》(TheJournaloftheAmericanMedicalAssociation，JAMA)上，表明人工智能不但可以根據(jù)眼底圖像快速診斷出糖尿病視網(wǎng)膜病變，而且精度驚人，敏感度和特異度分別高達(dá)96.1%和93.9%；中山大學(xué)中山眼科中心劉奕志教授領(lǐng)銜中山大學(xué)聯(lián)合西安電子科技大學(xué)的研究團(tuán)隊(duì)，利用深度學(xué)習(xí)算法建立了“CC-Cruiser先天性白內(nèi)障AI平臺(tái)”，也取得了不錯(cuò)的成績(jī)[1]。在可以預(yù)見(jiàn)的未來(lái)，人工智能技術(shù)的廣泛應(yīng)用必然會(huì)對(duì)傳統(tǒng)人類社會(huì)的發(fā)展起到革命性的作用，并且社會(huì)效益和經(jīng)濟(jì)效益非常巨大。

圖2 待測(cè)試OCT圖像提取的特征參數(shù)以及診斷結(jié)果

計(jì)算機(jī)視覺(jué)是人工智能的一個(gè)重要方向，模式識(shí)別和圖像處理作為計(jì)算機(jī)視覺(jué)中的重要組成部分，一直以來(lái)被寄予厚望。隨著近年來(lái)計(jì)算機(jī)科學(xué)和醫(yī)學(xué)影像診斷學(xué)的高速發(fā)展，人工智能在醫(yī)學(xué)領(lǐng)域的發(fā)展開(kāi)始脫離紙上談兵并逐步具備一定的實(shí)用性。目前，國(guó)內(nèi)對(duì)于特異性黃斑裂孔的人工智能診斷算法尚未見(jiàn)報(bào)道，本研究是將人工智能算法應(yīng)用于特發(fā)性黃斑裂孔智能診斷的一種嘗試，處理過(guò)程充分融合了特發(fā)性黃斑裂孔診斷理論、OCT圖像分析過(guò)程、計(jì)算機(jī)圖像處理技術(shù)、人工智能算法等多學(xué)科研究成果，對(duì)OCT圖像進(jìn)行有效特征參數(shù)提取，進(jìn)而實(shí)現(xiàn)了人工智能診斷的全過(guò)程[12]，并給出了詳細(xì)的計(jì)算機(jī)算法理論推導(dǎo)過(guò)程、實(shí)現(xiàn)過(guò)程和實(shí)驗(yàn)結(jié)果。從實(shí)驗(yàn)結(jié)果來(lái)看，人工智能在準(zhǔn)確性方面已經(jīng)可以和臨床醫(yī)師相當(dāng)，而且效率方面是遠(yuǎn)遠(yuǎn)超過(guò)人力效率；但是，計(jì)算機(jī)程序均具有比較明確的針對(duì)性，眼底疾病復(fù)雜而多樣，使得綜合解決大量眼科疾病的計(jì)算機(jī)程序合集仍需要一個(gè)相對(duì)漫長(zhǎng)的積累過(guò)程。本程序及算法也是對(duì)人工智能算法在眼科學(xué)應(yīng)用的一個(gè)大膽嘗試，雖然從研究結(jié)果來(lái)看取得了不錯(cuò)的效果，但是本程序目前只能有效區(qū)分正常眼和特發(fā)性黃斑裂孔眼，距離眼科復(fù)雜疾病的綜合診斷仍需要后續(xù)不斷地創(chuàng)新積累。目前，人工智能在眼科學(xué)中的應(yīng)用尚處在起步階段，需要通過(guò)大量數(shù)據(jù)和算法的積累驗(yàn)證才能真正將這一具有顛覆性的前沿技術(shù)真正地用于臨床診療。因此，未來(lái)首先需要建立相當(dāng)?shù)难劭茍D像數(shù)據(jù)庫(kù)和程序庫(kù)，針對(duì)不同眼病典型特征，建立不同的數(shù)據(jù)模型和算法模型，并利用人工智能算法進(jìn)行深度學(xué)習(xí)，發(fā)掘不同癥狀或者病癥之間的關(guān)聯(lián)性。

由于條件所限，本研究中收集OCT圖像時(shí)間較為倉(cāng)促，訓(xùn)練數(shù)據(jù)和試驗(yàn)數(shù)據(jù)較為有限，準(zhǔn)確率存在一定的偏差，這也是接下來(lái)對(duì)目前人工智能診斷系統(tǒng)進(jìn)行測(cè)試和調(diào)試的重要工作。樣本數(shù)較少也是人工智能面臨的普遍困難，需要收集整理更多的試驗(yàn)樣本數(shù)據(jù)，搭建廣泛的數(shù)據(jù)平臺(tái)對(duì)系統(tǒng)進(jìn)行充分性測(cè)試。目前，人工智能技術(shù)已經(jīng)成為新一輪科技革命，我國(guó)從國(guó)家戰(zhàn)略層面也將人工智能技術(shù)提升至核心競(jìng)爭(zhēng)戰(zhàn)略高度，未來(lái)一定會(huì)有更多更好的人工智能算法被創(chuàng)造出來(lái)。因此，建立豐富的眼病數(shù)據(jù)平臺(tái)，實(shí)現(xiàn)不同醫(yī)院和科研機(jī)構(gòu)的數(shù)字資源共享，將我國(guó)龐大眼科患病人群及豐富眼病患者資源與人工智能技術(shù)充分整合，搶占眼科人工智能技術(shù)理論和實(shí)踐制高點(diǎn)是廣大眼科工作者和人工智能工程師未來(lái)重要的研究方向。