清華長庚醫(yī)院聯(lián)合鷹瞳Airdoc研發(fā)AI新算法，可通過OCTA精準(zhǔn)識別AMD新生血管
年齡相關(guān)性黃斑變性（age-related macular degeneration, AMD）是一種老年人常見的退行性眼病，是全球老年人致盲的主要原因。隨著人口老齡化加劇，AMD患病率逐年上升，給人們的視力健康帶來巨大威脅。
AMD又可分為“濕性”和“干性”兩類，其中濕性AMD，即新生血管性AMD對視力的危害性遠(yuǎn)大于干性AMD。濕性AMD以黃斑區(qū)脈絡(luò)膜新生血管（choroidal neovascularization，CNV）為主要病理特征，如何自動識別CNV特征，對于后續(xù)的CNV量化和AMD情況的分析至關(guān)重要。
近日，清華大學(xué)附屬北京清華長庚醫(yī)院（以下簡稱“清華長庚醫(yī)院”）與鷹瞳Airdoc聯(lián)合研發(fā)并驗證了一種新的基于深度學(xué)習(xí)的新生血管分割模型，實現(xiàn)了在OCTA圖像中自動、準(zhǔn)確識別出CNV，且相比以往模型表現(xiàn)更為優(yōu)異。相關(guān)研究成果在數(shù)據(jù)科學(xué)領(lǐng)域頂級期刊《Journal of Big Data》 發(fā)表。
AMD尤其影響黃斑區(qū)，可導(dǎo)致中心視力逐漸喪失、甚至不可逆轉(zhuǎn)的失明，給患者的日常生活以及醫(yī)療資源帶來巨大負(fù)擔(dān)。光相干斷層掃描血管成像（optical coherence tomography angiography，OCTA）是AMD診斷中最常用的手段之一。它是一種非侵入性的成像技術(shù)，可以提供高分辨率的血管影像來呈現(xiàn)黃斑區(qū)域的血管異常，包括濕性AMD患者的CNV。
既往研究采用了機(jī)器學(xué)習(xí)方法從OCTA圖像中自動分割CNV，他們采取顯著性圖來檢測CNV的存在，使用基于強(qiáng)度、方向和位置的顯著性檢測模型來克服諸如偽影干擾和CNV異質(zhì)性等問題。
然而，這種方法在很大程度上依賴于OCTA圖像的質(zhì)量，當(dāng)CNV血流信號高于背景噪聲和運(yùn)動偽影時該方法表現(xiàn)良好；而當(dāng)CNV血流與背景噪聲相似時、該方法容易將背景噪聲和偽影錯誤地識別為CNV，這一缺陷導(dǎo)致了大量的假陽性。
該研究收集了來自清華長庚醫(yī)院69名患者的OCTA圖像，包括54張脈絡(luò)膜毛細(xì)血管圖像和62張視網(wǎng)膜外層圖像，并由視網(wǎng)膜專家在OCTA圖像中標(biāo)注CNV區(qū)域作為金標(biāo)準(zhǔn)。
在模型研發(fā)階段，研究人員基于深度學(xué)習(xí)的U-net分割模型并做出了兩個關(guān)鍵改進(jìn)。首先，使用ResNeSt塊作為模型骨干網(wǎng)絡(luò)，通過組卷積和分離注意機(jī)制更好地學(xué)習(xí)CNV特征；其次，融入了空間金字塔池化模塊，基于不同的感受野使模型能夠提取不同尺度上的上下文信息，以精準(zhǔn)分割不同尺寸的CNV，從而進(jìn)一步提高模型的分割性能。
研究結(jié)果顯示，該CNV分割模型的曲線下面積（AUC）為0.9476（95％ CI 0.9473–0.9479），特異度和敏感度分別為0.9950（95％ CI 0.9945–0.9955）、0.7271（95％ CI 0.7265–0.7277）。
研究人員還將該模型與傳統(tǒng)的基于顯著性的分割模型和深度學(xué)習(xí)分割模型U-net進(jìn)行比較，發(fā)現(xiàn)該模型比傳統(tǒng)的基于顯著性的分割模型和深度學(xué)習(xí)模型U-net展現(xiàn)出更為優(yōu)異的分割性能。
從分割可視化圖也可以觀察到，傳統(tǒng)的基于顯著性的分割模型傾向于將一些背景噪聲和偽影判斷為CNV，因此有一些假陽性。此外，對于一些小的CNV和低對比度及模糊的CNV，傳統(tǒng)方法也會造成漏檢。
綜上所述，基于深度學(xué)習(xí)的CNV分割模型可以自動、精準(zhǔn)地從OCTA圖像中識別出新生血管，該模型泛化性能好，能夠適用于多種檢測場景，根據(jù)識別出的新生血管未來可以做進(jìn)一步的量化。
清華大學(xué)精準(zhǔn)醫(yī)學(xué)研究院段美含博士與鷹瞳Airdoc工程師為研究共同第一作者；清華長庚醫(yī)院眼科主任胡運(yùn)韜教授為研究通訊作者。
論文鏈接:https://doi.org/10.1186/s40537-023-00757-w
*Feng, W., Duan, M., Wang, B. et al. Automated segmentation of choroidal neovascularization on optical coherence tomography angiography images of neovascular age-related macular degeneration patients based on deep learning. J Big Data 10, 111 (2023).?
