Может ли ИИ предсказать прогрессирование диабетического заболевания глаз?

В недавнем исследовании, опубликованном в Природная медицина, исследователи из Китая разработали систему глубокого обучения (DL) под названием «DeepDR Plus» для прогнозирования прогрессирования диабетической ретинопатии (ДР) с использованием изображений глазного дна пациентов. Они обнаружили, что система может успешно прогнозировать риск и время прогрессирования ДР в течение пяти лет, открывая возможности для индивидуальных режимов скрининга.

Изучать: Система глубокого обучения для прогнозирования времени до прогрессирования диабетической ретинопатииИзображение предоставлено: Анукул Манотон / Shutterstock

Фон

ДР обычно развивается как бессимптомное осложнение у взрослых с диабетом, но со временем может привести к предотвратимой слепоте. Риск прогрессирования ДР варьируется у разных людей и зависит от множества факторов. Поэтому прогнозировать риск и скорость прогрессирования ДР у пациентов сложно. В результате пациентам рекомендуется ежегодно проходить скрининг на ДР. Отсутствие персонализированной модели риска и системы точного прогнозирования не позволяет врачам рекомендовать продление интервала скрининга, несмотря на то, что этот подход очень экономически эффективен.

Искусственный интеллект (особенно DL) показал себя многообещающе в автоматизации обнаружения DR на изображениях сетчатки. Однако в текущих исследованиях отсутствует проспективный прогноз риска возникновения и прогрессирования ДР за пределами двухлетнего периода, и необходимы дальнейшие исследования для оценки влияния на результаты лечения пациентов и интеграции в клинические рабочие процессы.

Чтобы устранить эти пробелы, исследователи в настоящем исследовании опирались на свою предыдущую работу и разработали, проверили и протестировали «DeepDR Plus» как инструмент для прогнозирования траекторий прогрессирования ДР на срок до пяти лет вперед. Кроме того, они продемонстрировали результаты применения этого инструмента в реальном исследовании, проведенном на пациентах с диабетом.

Об исследовании

DeepDR Plus прошел предварительное обучение на 717 308 изображениях глазного дна 179 327 человек с диабетом, включенных в Шанхайскую интегрированную систему профилактики и лечения диабета и Шанхайскую программу профилактики диабета. Внутренняя разработка и валидация проводились с использованием набора данных из 76 400 изображений глазного дна из когорты исследования прогрессирования диабетической ретинопатии (DRPS), которые далее были разделены на наборы исследований развития и внутренних тестов. Индекс конкордантности (C-индекс) и интегрированная шкала Брайера (IBS) использовались для оценки эффективности модели глазного дна. Обобщаемость модели оценивалась посредством внешней проверки с использованием восьми независимых продольных когорт с комплексными исходными демографическими, антропометрическими и биохимическими данными. Степени DR были распределены на основе Международной клинической шкалы тяжести заболевания диабетической ретинопатией. Для дальнейшего анализа были созданы три подгруппы пациентов: (1) диабет без ретинопатии в ДР, (2) ДР, не подлежащий перенаправлению в референтную ДР, и (3) ДР, не угрожающий зрению, в ДР, угрожающий зрению. Статистический анализ включал использование лог-рангового теста, регрессионного анализа Кокса и определение площади под кривой, средней абсолютной ошибки и коэффициента детерминации.

Чтобы применить DeepDR Plus в реальных условиях, было проведено проспективное когортное исследование на уровне сообщества. В него вошли 2185 взрослых китайцев, разделенных на группы интегрированного управления (IM) и не-IM. Модели глазного дна и метаданных использовались для оценки риска прогрессирования ДР. Кроме того, в рамках индийской проспективной когорты было проведено реальное исследование среди 992 пациентов с диабетом, прошедших четырехлетнее наблюдение.

аСравнение цветных фотографий глазного дна в начале исследования и в последующем с использованием карт внимания. бКарты среднего внимания и соответствующие изображения глазного дна для любого прогрессирования ДР и подгрупп 1–3. сГистограмма (слева) оценки глазного дна и клинических особенностей и их вклада в модель прогнозирования прогрессирования ДР. Функции расположены в порядке убывания вклада (также известного как важности) в модель. Подробности ассоциаций показаны на графике пчелиного роя (справа), где каждая точка представляет участника. Цвет указывает значение функции: красный означает более высокое значение, а синий — более низкое. Отрицательное значение SHAP указывает на отрицательные характеристики для прогнозирования прогрессирования ДР; положительное значение SHAP указывает на положительную характеристику для прогнозирования прогрессирования ДР.

Результаты и обсуждение

При внутренней проверке было обнаружено, что модель глазного дна работает лучше, чем модель метаданных, согласно измерениям C-индексов, несмотря на использование изображений с низким разрешением. В течение 1–5 лет модель глазного дна сохраняла устойчивую эффективность в восьми внешних наборах данных, демонстрируя точность прогнозирования конкретного времени до прогрессирования ДР, о чем свидетельствуют высокие C-индексы и СРК.

Анализ подгрупп показал, что DeepDR Plus может эффективно прогнозировать различные типы ухудшения степени DR в течение пяти лет в трех подгруппах, достигая улучшенных C-индексов и СРК по сравнению с моделью метаданных.

В реальном исследовании, проведенном на основе китайской когорты, модель глазного дна могла относительно предотвратить 46,8% случаев прогрессирования ЛУ при комплексном вмешательстве. Индийское когортное исследование в реальном мире показало, что использование комплексных вмешательств модель глазного дна может помочь предотвратить прогрессирование ДР на 88,74% по сравнению с моделью метаданных. Если бы участники как в группах, принимавших IM, так и в группах, не принимавших IM, придерживались индивидуальных интервалов скрининга, рекомендованных моделью глазного дна, средний интервал скрининга мог бы быть увеличен с 12 месяцев до 31,97 месяца. В целом, модель глазного дна может более точно классифицировать участников, позволяя проводить персонализированные вмешательства и уменьшать частоту обследований на диабетическую ретинопатию, одновременно сводя к минимуму задержки в обнаружении прогрессирования.

Дальнейший анализ показал, что прогнозы инструмента сосредоточены на сосудах сетчатки и ямке, что подтверждается картами внимания и количественными измерениями, выходящими за рамки геометрии сосудов сетчатки.

Однако исследование ограничено обучением DeepDR Plus на китайской популяции, потенциальными внутренними отклонениями, различиями в эффективности при различных схемах лечения и отсутствием фактического клинического применения. Это подчеркивает необходимость будущих испытаний и испытаний для подтверждения скрининга и вмешательства в отношении лекарственной устойчивости на основе искусственного интеллекта.

Заключение

В заключение, DeepDR Plus, используя базовые изображения глазного дна, может надежно прогнозировать персонализированный риск и время до прогрессирования ДР. Реальное применение предполагает потенциальное увеличение интервалов скрининга примерно до 32 месяцев. Результаты демонстрируют многообещающую интеграцию этого инструмента в клинические рабочие процессы для разработки индивидуальных стратегий управления ДР для улучшения результатов лечения пациентов.