定期筛查早期发现常见的慢性病可能会受益于深度学习方法的使用，尤其是在资源贫乏或偏远地区。
近日，澳门科技大学，四川大学，清华大学，中山大学，北京邮电大学等多单位合作，张康，陈挺，徐涛，周永及王光宇共同通讯在Nature Biomedical Engineering （IF=18·95）在线发表题为“Deep-learning models for the detection and incidence prediction of chronic kidney disease and type 2 diabetes from retinal fundus images”的研究论文，该研究展示了深度学习模型可用于仅从眼底图像或结合临床元数据（年龄、性别、身高、体重、体重指数和血压）识别慢性肾病和 2 型糖尿病。
接收器操作特性曲线为 0.85–0.93。这些模型使用来自 57,672 名患者的总共 115,344 张视网膜眼底照片进行训练和验证，还可用于预测估计的肾小球滤过率和血糖水平，并根据疾病进展风险对患者进行分层。该研究通过基于人群的外部验证队列和使用智能手机捕获的眼底图像的前瞻性研究评估了用于识别慢性肾病和 2 型糖尿病的模型的普遍性，并评估了在纵向队列中预测疾病进展的可行性。
全身性疾病，包括慢性肾病 (CKD) 和糖尿病，构成了重大的卫生保健挑战。CKD 是一种高度流行的疾病，影响了大约 8-16% 的世界人口 。CKD 是一个严重的公共卫生问题，因为其不良后果不仅限于需要透析或移植的终末期肾功能衰竭，还包括肾功能受损的血管并发症。此外，心血管事件和死亡率与高危糖尿病或高血压人群的 CKD 密切相关。 2 型糖尿病 （T2DM) 是全球另一种主要的常见慢性病，2019 年估计患病率为 9.3%（4·63 亿受累个体）。
据国际糖尿病联盟称，其患病率近年来一直在稳步上升，并将达到预计到 2045 年将达到 7 亿。根据美国疾病控制和预防中心的数据，糖尿病是全球主要的死亡原因之一。它也是许多其他常见医疗问题的主要危险因素，包括心血管疾病、肾功能衰竭和失明。在许多这些情况下，早期诊断和治疗对于减少相关的合并症和死亡率至关重要。然而，CKD 和糖尿病的早期识别和诊断仍然具有挑战性，因为许多患者没有症状或只有非特异性症状，一些报告表明多达 5% 的糖尿病人群仍未确诊。
美国糖尿病协会 (ADA) 建议对患有糖尿病至少 5 年的患者每年检测尿白蛋白和估计的肾小球滤过率 (eGFR）。此前有研究报道，中国CKD知晓率低于20%，治疗率低于50%。定期筛查对于早期发现和诊断 CKD 以及预防其进展至关重要。在中国进行的一项成本效益分析表明，通过筛查新诊断为 T2DM 的患者的肾脏疾病可以大大降低医疗费用。早期发现和干预是预防 CKD 终末期肾功能衰竭和糖尿病视网膜病变危及视力的并发症的关键。
眼睛的视网膜是进入身体动态平衡的一个方便的窗口，使我们能够以非侵入性的方式观察血管、神经和结缔组织的结构，如果是脉管系统，则可以动态观察。全身性疾病可能在眼底有表现，使我们能够检测、诊断、分期、监测和管理全身性疾病。使用深度学习分类器的最新进展导致人工智能 (AI) 在医疗保健的许多领域得到应用，包括基于图像的诊断和自然语言处理。
尽管最近有使用基于视网膜图像的 AI 系统检测 CKD 的报告，但尚未描述从正常基线预测 CKD 发作和使用 AI 诊断早期 CKD，这将对疾病预防和有利结果产生重要影响。同样，预测 T2DM 的发病对于疾病预防和改善结果至关重要。在这里，该研究使用视网膜图像和已知的临床危险因素探索了发展为 CKD 和 T2DM 的风险分层。识别这种无症状的病前人群提供了更好地引导卫生保健资源以监测“有风险的患者”，并在早期改变生活方式和其他风险因素的可能性。
人工智能在医疗保健中应用的关键挑战之一，尤其是在资源匮乏的环境中，是缺乏运行人工智能算法所需的稳定计算基础设施和资源。因此，通过移动系统部署基于人工智能的技术已成为一个不断增长的研究领域。最新的个人智能手机配备了运行 AI 算法所需的硬件，例如 Google Translate、Siri、FaceID 和具有对象识别功能的购物应用程序。借助 Android 的神经网络 API (NNAPI) 和 Apple iPhone X 中的神经引擎芯片，智能手机现在部署了一系列机器学习算法，包括对象跟踪、人脸检测和识别。此外，智能手机的拥有在全球范围内很普遍。例如，在尼日利亚，医患比为 1:2660，而智能手机拥有率为 1:3.5。因此，基于人工智能的智能手机诊断系统是一种有吸引力的方式，可以通过鼓励患者进行自我监控并允许医生远程诊断和跟踪患者来扩大医疗保健范围。
在这项研究中，旨在开发一种能够分析视网膜眼底图像以检测 CKD 和 T2DM 的 AI 系统。该研究对两种类型的任务采用基于深度学习的视网膜眼底图像分析：预测连续值（包括 eGFR）的回归任务和进行诊断的二元分类任务。该研究还验证了在外部独立患者群体中检测 CKD 和 T2DM 的 AI 算法。此外，该研究展示了AI 系统可以使用两个纵向队列中的视网膜图像预测疾病发展并执行 CKD 和 T2DM 的风险分层。使用这种方法，有针对性地筛查人群亚群可能有助于为最有可能患上疾病的人提供降低风险的干预措施。最后，该研究创建了一个基于智能手机的系统，为社区中的 CKD 和 T2DM 筛查提供即时护理系统。
参考消息：
https://www.nature.com/articles/s41551-021-00745-6
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
