來源：iNature（ID:Plant_ihuman）
定期篩查早期發現常見的慢性病可能會受益於深度學習方法的使用，尤其是在資源貧乏或偏遠地區。
2021年6月15日，澳門科技大學，四川大學，清華大學，中山大學，北京郵電大學等多組織合作，張康，陳挺，徐濤，周永及王光宇共同通訊在Nature Biomedical Engineering（IF=18.95）線上發表題為“Deep-learning models for the detection and incidence prediction of chronic kidney disease and type 2 diabetes from retinal fundus images”的研究論文，該研究展示了深度學習模型可用於僅從眼底影像或結合臨床中繼資料（年齡、性別、身高、體重、體重指數和血壓）識別慢性腎病和2型糖尿病。
接收器操作特性曲線為0.85–0.93。這些模型使用來自57672名患者的總共115344張視網膜眼底照片進行訓練和驗證，還可用於預測估計的腎小球濾過率和血糖水准，並根據疾病進展風險對患者進行分層。該研究通過基於人群的外部驗證隊列和使用智能手機捕獲的眼底影像的前瞻性研究評估了用於識別慢性腎病和2型糖尿病的模型的普遍性，並評估了在縱向隊列中預測疾病進展的可行性。
全身性疾病，包括慢性腎病（CKD）和糖尿病，構成了重大的衛生保健挑戰。CKD是一種高度流行的疾病，影響了大約8-16%的世界人口。CKD是一個嚴重的公共衛生問題，因為其不良後果不僅限於需要透析或移植的終末期腎功能衰竭，還包括腎功能受損的血管併發症。此外，心血管事件和死亡率與高危糖尿病或高血壓人群的CKD密切相關。2型糖尿病（T2DM）是全球另一種主要的常見慢性病，2019年估計患病率為9.3%（4.63億受累個體）。
據國際糖尿病聯盟稱，其患病率近年來一直在穩步上升，並將達到預計到2045年將達到7億。根據美國疾病控制和預防中心的數據，糖尿病是全球主要的死亡原因之一。它也是許多其他常見醫療問題的主要危險因素，包括心血管疾病、腎功能衰竭和失明。在許多這些情况下，早期診斷和治療對於减少相關的合併症和死亡率至關重要。然而，CKD和糖尿病的早期識別和診斷仍然具有挑戰性，因為許多患者沒有症狀或只有非特异性症狀，一些報告表明多達5%的糖尿病人群仍未確診。
美國糖尿病協會（ADA）建議對患有糖尿病至少5年的患者每年檢測尿白蛋白和估計的腎小球濾過率（eGFR）。此前有研究報導，中國CKD知曉率低於20%，治療率低於50%。定期篩查對於早期發現和診斷CKD以及預防其進展至關重要。在中國進行的一項成本效益分析表明，通過篩查新診斷為T2DM的患者的腎臟疾病可以大大降低醫療費用。早期發現和干預是預防CKD終末期腎功能衰竭和糖尿病視網膜病變危及視力的併發症的關鍵。
眼睛的視網膜是進入身體動態平衡的一個方便的視窗，使我們能够以非侵入性的管道觀察血管、神經和結締組織的結構，如果是脈管系統，則可以動態觀察。全身性疾病可能在眼底有表現，使我們能够檢測、診斷、分期、監測和管理全身性疾病。使用深度學習分類器的最新進展導致人工智慧（AI）在醫療保健的許多領域得到應用，包括基於影像的診斷和自然語言處理。
儘管最近有使用基於視網膜影像的AI系統檢測CKD的報告，但尚未描述從正常基線預測CKD發作和使用AI診斷早期CKD，這將對疾病預防和有利結果產生重要影響。同樣，預測T2DM的發病對於疾病預防和改善結果至關重要。在這裡，該研究使用視網膜影像和已知的臨床危險因素探索了發展為CKD和T2DM的風險分層。識別這種無症狀的病前人群提供了更好地引導衛生保健資源以監測“有風險的患者”，並在早期改變生活方式和其他風險因素的可能性。
人工智慧在醫療保健中應用的關鍵挑戰之一，尤其是在資源匱乏的環境中，是缺乏運行人工智慧算灋所需的穩定計算基礎設施和資源。囙此，通過移動系統部署基於人工智慧的科技已成為一個不斷增長的研究領域。最新的個人智能手機配備了運行AI算灋所需的硬體，例如Google Translate、Siri、FaceID和具有對象識別功能的購物應用程序。借助Android的神經網路API（NNAPI）和Apple iPhone X中的神經引擎晶片，智能手機現在部署了一系列機器學習算灋，包括對象跟踪、人臉檢測和識別。此外，智能手機的擁有在全球範圍內很普遍。例如，在奈及利亞，醫患比為1:2660，而智能手機擁有率為1:3.5。囙此，基於人工智慧的智能手機診斷系統是一種有吸引力的管道，可以通過鼓勵患者進行自我監控並允許醫生遠程診斷和跟踪患者來擴大醫療保健範圍。
在這項研究中，旨在開發一種能够分析視網膜眼底影像以檢測CKD和T2DM的AI系統。該研究對兩種類型的任務採用基於深度學習的視網膜眼底影像分析：預測連續值（包括eGFR）的回歸任務和進行診斷的二元分類任務。該研究還驗證了在外部獨立患者群體中檢測CKD和T2DM的AI算灋。此外，該研究展示了AI系統可以使用兩個縱向隊列中的視網膜影像預測疾病發展並執行CKD和T2DM的風險分層。使用這種方法，有針對性地篩查人群亞群可能有助於為最有可能患上疾病的人提供降低風險的干預措施。最後，該研究創建了一個基於智能手機的系統，為社區中的CKD和T2DM篩查提供即時護理系統。
參考消息：
https://www.nature.com/articles/s41551-021-00745-6
本文版權歸原作者所有，文章內容不代表平臺觀點或立場。如有關於文章內容、版權或其他問題請與我方聯系，我方將在核實情况後對相關內容做删除或保留處理！