利用深度学习探讨LDL-C对视网膜动脉硬化进展的影响及其阈值效应

目的利用深度学习探讨低密度脂蛋白胆固醇(LDL-C)对视网膜动脉硬化进展的影响及其阈值效应。方法采用队列研究方法,收集2016年1月至2023年8月在北京怡健殿诊所进行体检的1928人的临床资料,包括一般情况、体格检查、血清学检查及彩色眼底照相,利用深度学习模型统一识别视网膜动脉硬化情况。按照LDL-C水平进行五等分分组,其中第1分组(0.64~1.90 mmol/L)389人,第2分组(1.91~2.26 mmol/L)387人,第3分组(2.27~2.57 mmol/L)384人,第4分组(2.58~2.95 mmol/L)385人,第5分组(2.96~6.06 mmol/L)383人。采用Logistic回归分析及限制性立方样条(RCS)回归模型分析LDL-C水平与视网膜动脉硬化进展的关联性以及剂量-反应关系。结果在平均随访时间(66.84±6.58)个月中,视网膜动脉硬化进展的发生率为22.10%(426/1928)。第1、2、3、4、5分组受试者眼底情况出现进展的比例分别为15.68%(61/389)、21.71%(84/387)、21.35%(82/384)、25.71%(99/385)和26.11%(100/383),总体比较差异有统计学意义(χ^(2)=15.97,P=0.003)。以LDL-C第1分组作为参照,LDL-C 2.58~2.95 mmol/L是视网膜动脉硬化进展的独立危险因素(OR=1.52,95%CI:1.04~2.22)。RCS分析显示两者呈“L”型关联。LDL-C对于视网膜动脉硬化的影响呈现阈值效应,当LDL-C<2.34 mmol/L时,视网膜动脉硬化进展风险随LDL-C水平升高而增加(OR=1.97,95%CI:1.10~3.62),当LDL-C≥2.34 mmol/L时风险趋于平缓。结论LDL-C对视网膜动脉硬化进展的影响具有阈值效应,阈值为2.34 mmol/L。

基于深度学习技术的豹纹状眼底自动量化及分级初步研究

目的利用深度学习技术实现对不同区域豹纹状眼底(FT)的自动分割、量化及分级,分析新型量化指标与FT等级和全身及眼部各参数的相关性。方法横断面研究。数据来源于“北京眼病研究”(一项以人群为基础的纵向研究),于2001年整群抽取北京市海淀区5个社区及大兴区3个农村社区的40岁及以上人群进行调查,并于2011年对该人群进行随访。本研究纳入2011年接受第2个5年随访的50岁以上人群,仅纳入右眼数据。将以右眼黄斑为中心的彩色眼底图像输入豹纹分割模型及黄斑检测网络,以黄斑中心凹为原点,内圈直径为1 mm,中圈直径为3 mm,外圈直径为6 mm,实现眼底的精细分割,从而得出各区域FT密度(FTD)及FT等级。进一步对各区域FTD及不同FT等级间各眼部及全身参数进行差异性分析。按照等效球镜度数(SE)将受试眼分为近视眼(SE<-0.25 D)、正视眼(-0.25 D≤SE≤0.25 D)及远视眼(SE>0.25 D)3种屈光类型。根据眼轴长度,将受试眼分为眼轴长度<24 mm、24~26 mm及>26 mm 3种眼轴类型,对不同类型的FTD进行分析。采用单因素方差分析、Kruskal-Wallis检验、Bonferroni检验及Spearman相关分析等统计学分析方法。结果研究共纳入3369名受试者(3369只眼),年龄为(63.9±10.6)岁;其中女性1886名(56.0%)男性1483名(64.0%)。所有受试眼整体FTD为0.060(0.016,0.163);内圈FTD为0.000(0.000,0.025);中圈FTD为0.030(0.000,0.130);外圈FTD为0.055(0.009,0.171)。单因素分析结果表明,各区域FTD与眼轴长度(整体:r=0.38,P<0.001;内圈:r=0.31,P<0.001;中圈:r=0.36,P<0.001;外圈:r=0.39,P<0.001)、黄斑中心凹下脉络膜厚度(SFCT)(整体:r=-0.69,P<0.001;内圈:r=-0.57,P<0.001;中圈:r=-0.68,P<0.001;外圈:r=-0.72,P<0.001)、年龄(整体:r=0.34,P<0.001;内圈:r=0.30,P<0.001;中圈:r=0.31,P<0.001;外圈:r=0.35,P<0.001)、性别(整体:r=-0.11,P<0.001;内圈:r=-0.04,P<0.001;中圈:r=-0.07,P<0.001;外圈:r=-0.11,P<0.001)、SE(整体:r=-0.20;P<0.001;内圈:r=-0.19,P<0.001;中圈:r=-0.20,P<0.001;外圈:r=-0.20,P<0.001)、裸眼视力(整体:r=-0.18,P<0.001;内圈:r=-0.26,P<0.001;中圈:r=-0.24,P<0.001;外圈:r=-0.22,P<0.001)、体质量指数(整体:r=-0.11,P<0.001;内圈:r=-0.13,P<0.001;中圈:r=-0.14,P<0.001;外圈:r=-0.13,P<0.001)均有相关性。进一步多因素分析结果显示,不同区域FTD与眼轴长度(整体:β=0.020,P<0.001;内圈:β=-0.022,P<0.001;中圈:β=0.027,P<0.001;外圈:β=0.022,P<0.001)、SFCT(整体:β=-0.001,P<0.001;内圈:β=-0.001,P<0.001;中圈:β=-0.001,P<0.001;外圈:β=-0.001,P<0.001)及年龄(整体:β=0.002,P<0.001;内圈:β=0.001,P<0.001;中圈:β=0.002,P<0.001;外圈:β=0.002,P<0.001)均有相关性。不同屈光类型受试眼的整体(H=56.76,P<0.001)、内圈(H=72.22,P<0.001)、中圈(H=75.83,P<0.001)及外圈(H=70.34,P<0.001)FTD分布均有统计学差异。不同眼轴长度受试眼的整体(H=373.15,P<0.001)、内圈(H=367.67,P<0.001)、中圈(H=389.14,P<0.001)及外圈(H=386.89,P<0.001)FTD分布均有统计学差异。进一步比较各级别FT受试受试者全身及眼部参数差异,在所有参数中,眼轴长度(F=142.85,P<0.001)与SFCT(F=530.46,P<0.001)差异有统计学意义。结论利用深度学习技术可实现眼底不同区域FT的自动分割及量化,并可实现FT的初步分级。不同区域FTD与眼轴长度、SFCT及年龄显著相关,年龄较大、患有近视眼及眼轴较长的人群眼底各区域FTD更重,豹纹等级更高。

眼科人工智能的算法新进展

随着高效的深度神经网络算法、大量高质量医学数据、低成本大规模计算机并行设备的普及,近年来人工智能在眼科领域、院内眼科疾病筛查和院外体检中心都取得了大规模的应用。对某些特定疾病如眼底糖网已经达到甚至超过了大多数全科大夫的水准。在本文中我们以分类、检测、分割、域适应等基础算法为引子,梳理、分析出人工智能在眼科应用中的优势和不足,以便更好地构想未来的研究方向。