最近，《英國醫(yī)學雜志》子刊《開放糖尿病研究與護理》發(fā)表了上海交大醫(yī)學院附屬瑞金醫(yī)院、上海企業(yè)體素科技等共同發(fā)表的論文《人工智能賦能的糖尿病視網(wǎng)膜病變篩查：一項真實世界多中心前瞻研究》。
這是一次開創(chuàng)性的人工智能輔助診斷工具有效性研究，招募了中國155個國家代謝管理中心的近5萬名糖尿病患者，運用體素科技開發(fā)的人工智能算法對他們進行糖尿病視網(wǎng)膜病變（簡稱糖網(wǎng)）篩查，并完成了對所有有效糖網(wǎng)數(shù)據(jù)的疾病分期，在大范圍多中心環(huán)境下驗證了人工智能算法在真實世界中的診斷能力。
篩查糖網(wǎng)的眼科醫(yī)生遠遠不足
國際糖尿病聯(lián)盟發(fā)布的全球糖尿病概覽數(shù)據(jù)顯示，2017年中國糖尿病患者人數(shù)達1.1億，而糖尿病視網(wǎng)膜病變在我國糖尿病罹患人群中的患病率為24.7%至37.5%。按此推算，我國糖尿病視網(wǎng)膜病變患者約2700萬人，每個患者都存在致盲的可能。
通過眼底篩查找出潛在患者，并在早期進行干預，可以降低94.4%的患者面臨的糖網(wǎng)嚴重失明風險，然而在現(xiàn)實各項因素影響下，我國糖網(wǎng)病變篩查率不足10%。瑞金醫(yī)院科研團隊介紹，稀缺的醫(yī)療資源是造成低篩查率的因素之一。據(jù)原國家衛(wèi)計委2016年統(tǒng)計，我國只有3.2萬名眼科醫(yī)生，其中從事眼底醫(yī)療服務和研究的醫(yī)生約8001000人。相對于1億多名糖尿病患者來說，眼科醫(yī)生遠遠不足。
人工智能能夠在一定程度上緩解迫切的醫(yī)療資源需求。體素科技首席執(zhí)行官丁曉偉博士說，通過海量的糖網(wǎng)病變影像，特定的深度學習算法能夠對閱片環(huán)節(jié)進行高效分析，幫助醫(yī)生節(jié)省大量時間。當技術下沉到基層后，人工智能可以提升社區(qū)醫(yī)生在缺少眼科專家情況下的能力建設問題，方便老百姓在社區(qū)進行糖尿病視網(wǎng)膜病變、白內障、青光眼等問題的篩查，為患者就診提供便利。
院企合作開展全國大規(guī)模實驗
“人工智能醫(yī)生”篩查糖網(wǎng)的效果究竟如何？瑞金醫(yī)院與體素科技合作開展了一項大規(guī)模實驗。2018年6月至2019年8月，研究人員共招募了47269名18歲及以上的糖尿病患者，他們來自全國26個省區(qū)市的155個國家代謝管理中心，涵蓋分級診療政策下不同層次醫(yī)療水平的醫(yī)療機構，一定程度上符合我國人口學特征與醫(yī)療服務的實際狀況。
隨后，研究人員運用人工智能算法VoxelCloud Retina處理了所有患者總計94199張眼底照片。初步結果顯示，來自40665名患者的71970張圖像被人工智能判定為可分級，余下6604名患者的22229張圖像被判定為不可分級，其原因可能包括：患者瞳孔孝白內障、其他眼并圖像本身質量問題。
在確保評價系統(tǒng)對糖網(wǎng)篩查的準確性方面，研究人員組織了一個專家閱片小組，全部閱片者均為三甲醫(yī)院三年以上工作經(jīng)驗的眼科醫(yī)生。他們隨機選取了三分之一的臨床受試者眼底圖像，以閱片小組的意見作為診斷的金標準，用于評估人工智能系統(tǒng)和專家小組的差異。結果顯示，人工智能與所有專家的一致性均超過80%。
最終結果顯示，糖網(wǎng)的估計患病率為28.8%，需轉診糖網(wǎng)為24.4%，威脅視力的糖網(wǎng)為10.8%。按危險因素分層分析，女性的糖網(wǎng)估計患病率為29.6%，男性為28.3%。
人工智能篩查易復制、易推廣
上海交大醫(yī)學院附屬瑞金醫(yī)院內分泌代謝科主任王衛(wèi)慶教授表示，長期以來，大量研究專注于對高質量實驗室環(huán)境下的圖像數(shù)據(jù)集進行處理，但在真實世界的醫(yī)療環(huán)境中，人工智能必須在各個地域、各個醫(yī)院，有效處理各類質量的影像。因此，這項實驗不僅是大樣本條件下的真實世界研究，也能夠反映人工智能在不同資源的非眼科專業(yè)醫(yī)療中心、醫(yī)療保健系統(tǒng)中的實際效果。
據(jù)介紹，這一世界規(guī)模最大的前瞻性眼科人工智能研究主要有三大優(yōu)點：涵蓋了155個國家代謝管理中心，涉及不同層級醫(yī)療機構和不同經(jīng)濟文化背景地區(qū)，結果具有較好的代表性；研究樣本量大，納入條件盡可能模擬了真實情況下糖尿病患者的特征；人工智能系統(tǒng)的準確率堪比專家小組，并且具有易復制、易推廣的優(yōu)點。
這項實驗也存在一定局限性，如研究中所得出的患病率并不是來自一般人群；由于模型更容易將健康人判為假陽性以減少漏診的風險，人工智能系統(tǒng)計算出的患病率會被高估；專家小組與模型之間對于圖像可讀性存在分歧。
針對以上問題，研究人員提出了解決方案。下一步，他們將開展更大規(guī)模的眼科真實世界研究，并進一步提升人工智能輔助診斷能力。
