人工智能 (AI) 研究越来越多地报告了在眼科疾病以及全身性疾病的诊断和预后预测方面的成功结果。本综述的目的是详细说明如何利用 AI 进行诊断预测以改善临床环境。不断改进强调 AI 模型清晰度的方法至关重要。这使得评估从眼部成像中获得的信息并将其轻松纳入治疗决策程序成为可能。这将有助于在医疗保健环境中更广泛地接受和采用基于 AI 的眼部成像,将先进的机器学习和深度学习技术与新发展相结合。我们审查和评估了多项研究,包括基于 AI 的算法、视网膜图像、眼底和视神经头 (ONH) 照片以及广泛的专家评论。在世界各国和各个实验室开展的这些研究中,我们发现,通过比较大量图像并训练计算机,可以更快地做出那些复杂的诊断,例如从眼科图像中检测出全身性疾病,以及眼科疾病,并且具有更高的可预测性、准确性、灵敏度和特异性。现在很明显,可以利用人工智能来实现诊断的确定性。医学和工程领域之间的合作预示着,通过使用这些信息训练机器,未来医疗诊断的预测准确性和精确度将有望得到改善。然而,重要的是要记住,每一项新的发展都需要对各种社会、心理、伦理和法律法规进行新的补充或更新。
引言糖尿病相关并发症种类繁多,且在各国呈逐年增多趋势,主要原因是肥胖症的患病率不断上升。 (1)据估计,全球约有 5.37 亿糖尿病 (DM) 患者,到 2045 年这一数字将增至 7 亿。 (2)在巴西,糖尿病影响着 9.2% 的人口。 (3)糖尿病视网膜病变(DR)是糖尿病最常见的并发症,也是劳动年龄人口后天失明的主要原因之一。它是一种视网膜微血管的慢性进行性疾病。 (4)全球患有 DR 的患者数量约为 9300 万,预计到 2030 年将增至 1.91 亿。 (5)其中,10% 将发展为严重的 DR,并有视力受损的风险,因为由于眼保健服务成本高且可及性低,只有不到 60% 的糖尿病患者按照指南推荐的间隔进行定期眼科检查。 (6,7) DR 发病隐匿,大多数患者都有一段较长的无症状期。在此期间,可以通过眼底检查或视网膜照相轻松识别病变。早期诊断和治疗DR,对阻止病情发展可取得良好效果,并显著降低失明率。 (8,9) 然而,在许多发展中国家,由于缺乏资源、教育和训练有素的专业人员,筛查存在缺陷,导致仅在晚期阶段进行诊断,并对视力造成不可逆转的损害。 (10)
英国国家健康与临床优化研究所 (NICE) 指南建议所有 12 岁以上的糖尿病患者每年进行 DRP 筛查 [3] 。在 DES 筛查期间,需要从每只眼睛拍摄两张标准数字眼底照片,然后根据英国糖尿病视网膜病变国家筛查计划 (ENSPDR) 分类系统对图像进行分级。被归类为患有“视力威胁性视网膜病变”的个人将被转诊至眼科诊所进行评估。目前,初级保健指南建议全科医生及时识别新诊断的糖尿病患者并将其转诊进行 DES,转诊后三个月内完成,随后进行年度筛查 [4] 。英国公共卫生部委托的糖尿病视网膜病变全科医生筛查 (GP2DRS) 项目将数据从全科医生糖尿病登记册以电子方式直接传输到眼科筛查服务,确保自动识别需要定期筛查的个人 [5] 。自 2022 年起,NHS DES 计划将邀请符合条件的患者进行年度筛查,最低接受率为 75%,目标是超过 85% [6] 。需要密切监测的患者将遵循监测路径,召回间隔为 1、3、6、9 或 12 个月。
摘要:计算机视觉是医学图像分析中的强大工具,支持对眼部疾病的早期检测和分类。糖尿病性视网膜病(DR)是继发于糖尿病的严重眼科疾病,伴随着危险性疾病的几个早期迹象,例如微型神经疗法(MAS),出血(Hemos)和渗出液(EXS),这些症状已被广泛研究并靶向由计算机视觉模型检测的对象。在这项工作中,我们测试了最先进的Yolov8和Yolov9 Architectures DR Feldus功能分割的表演,而无需编码经验或编程背景。我们从公共Messidor数据库中获取了一百个DR图像,并手动标记并准备了它们以进行像素分割,并测试了不同模型变体的检测能力。我们通过数据增强增加了训练样本的多样性,包括平铺,翻转和旋转眼底图像。在检测诸如MA,Hemo和ex之类的DR病变时,提出的方法达到了可接受的平均平均精度(MAP),以及眼睛后极的标志,例如视盘。我们将我们的结果与涉及不同神经网络的文献中的相关作品进行了比较。我们的结果是有希望的,但尚未准备好进入临床实践。必须进行准确的病变检测,以确保早期和正确的诊断。未来的工作将进一步研究病变检测,尤其是MA分割,并通过改进的提取技术,图像预处理和标准化数据集进行研究。
Usher综合征是一种遗传性的,临床上异质性的疾病,其特征是感觉性听力丧失,进行性视网膜变性和前庭功能障碍。有三种表型可识别的类型的usher综合征。患有usher综合征1型的个体没有前庭功能和深刻的感觉性听力损失。患有USHER综合征2型的个体具有正常的前庭功能和轻度至重度听力损失,视力障碍后来出现了。患有III型usher综合症的人听力和视力丧失从后期开始。在本案报告中,我们报告了一名7岁男孩因进行性听力损失和双边视力障碍而咨询,而眼底检查显示,两只眼睛都有轻度的双侧视网膜血管衰减和骨spicule沉积物。A molecular genetic test done by next-generation sequencing identified a homozygous pathogenic variant in the CDH23 gene (NM_022124.5:c.2255del variant coordinate with amino acid change of p.(Gly752Valfs*13)), confirming the diagnosis of autosomal recessive Usher syndrome type ID (USH1D).患者的视觉和光学辅助设备有了显着改善。遗传咨询(包括生殖咨询)已向父母提供。临床评估,视觉听力测试和基因工作证实了Usher综合征,这是罕见但危险的听力损失原因和视觉障碍的原因,需要通过多学科团队的方法对其进行彻底评估。
自监督学习方法在多个应用领域取得成功后,最近引起了人们的极大兴趣。在这项工作中,我们利用这些技术,并以代理任务的形式为五种不同的自监督方法提出了 3D 版本。我们的方法有助于从未标记的 3D 图像中进行神经网络特征学习,旨在降低专家注释所需的成本。开发的算法包括 3D 对比预测编码、3D 旋转预测、3D 拼图、相对 3D 补丁定位和 3D 样例网络。我们的实验表明,与从头开始训练模型和在 2D 切片上进行预训练相比,使用我们的 3D 任务对模型进行预训练可以产生更强大的语义表示,并能够更准确、更有效地解决下游任务。我们在医学成像领域的三个下游任务中证明了我们方法的有效性:i)从 3D MRI 进行脑肿瘤分割,ii)从 3D CT 进行胰腺肿瘤分割,以及 iii)从 2D 眼底图像进行糖尿病视网膜病变检测。在每个任务中,我们评估数据效率、性能和收敛速度的增益。有趣的是,我们还发现在通过我们的方法将学习到的表示从大型未标记的 3D 语料库转移到小型下游特定数据集时有收益。我们以极低的计算成本实现了可与最先进解决方案相媲美的结果。我们将开发的算法(3D 和 2D 版本)的实现 1 作为开源库发布,以便其他研究人员能够在他们的数据集上应用和扩展我们的方法。
本研究旨在使用混合溶液方法诊断出视网膜底面图像的糖尿病性视网膜病。更具体,混合方法依赖于结合深度学习和图像处理以获得更好的结果。可靠的糖尿病性视网膜病变(DR)从数字眼底图像中检测被认为是医疗图像处理中的一个开放问题,需要开发替代溶液。失明和视觉丧失可能来自DR。本研究采用径向基函数(RBF)神经网络分类器来自动识别视网膜图像是与疾病相关或非药物相关的。糖尿病性视网膜病(DR)会导致视觉损害的视网膜病变,通常与糖尿病有关。如果未及时检测到它,则可能导致失明。早期诊断和治疗DR可以帮助防止视力丧失。深度学习已成为最近最受欢迎的方法之一,显示了各种应用程序的性能提高,尤其是在医学图像的分析和分类中。由于其出色的有效性,卷积神经网络越来越多地用作医学图像分析中的深度学习技术。图像处理在研究的建议的解决方案方法中使用。然后将卷积神经网络分类以进行诊断。使用Eyepacs数据库的33000个视网膜底面图像来验证该技术。深度学习模型使用彻底的方法来训练和评估Alexnet检测糖尿病性视网膜病的模型。模型精度为0.7349,结果表明了值得注意的性能指标和成功的准确分类。
一个65岁的男子突然在右眼突然降低了20天的视力。他在左手根治性肾切除术后2年以上,每天在索拉非尼400毫克的常规方案400毫克的疗法方案。尚无据报道眼或全身性疾病或全身药物。在体格检查中,右眼的视力(VA)在数字上。以14 mmHg记录了右眼的眼内压(IOP)。注意到了温和的白内障。底面检查,眼底照片和光学相干断层扫描(OCT)B扫描(图1)显示出严重的我的视网膜静脉,散射的视网膜出血和CWS,在后极中没有明显的非灌注区域或新生血管中的CWS。进行了右眼CRVO的诊断。同型半胱氨酸,蛋白C和S,活化的蛋白C和抗肉豆蔻酶水平在正常范围内的CRVO和血栓形成症的全身危险因素筛选。长期使用索拉非尼被认为是CRVO的可能主要原因。开出了持续释放的玻璃体内地塞米松植入物(IDI,Ozurdex,Allergan)。注射后一个月,我的右眼完全解决了,但在两个月后的下一次访问中重复了。总共,由于我反复的吸收和复发,他的3个月间隔又进行了3个月的注射,这比以前的复发不那么严重。四次注射后,黄斑一直没有流体,直到9个月后的上一次访问,他的VA提高到20/133。
人工智能 (AI) 是指通过算法或规则制造智能机器的工程和科学,模仿人类的认知功能,例如学习和解决问题。AI 有几个分支,例如机器学习和深度学习,可以为应用程序添加智能。机器学习是研究算法的学科,算法允许计算机程序通过经验自动改进。深度学习算法从大量、多层次的相互关联的过程中学习,并将这些处理器暴露给许多示例。在未来几年,AI 与常规医疗保健的整合预计将彻底改变医学,有可能改善患者护理和生活质量。当 AI 协助临床医生时,诊断所需的时间可以大大减少,诊断效率可以显著提高。大型语言模型聊天机器人能够进行临床专家级的医疗笔记记录、咨询和问答。聊天机器人可以生成类似人类的文本,可能有助于根据医疗记录诊断疾病,并可能建议治疗方案或计划。人工智能算法,特别是深度学习,在放射图像分析和诊断方面取得了显著进展,可以提高放射科医生的效率。这些算法还可以提高皮肤病学、组织病理学、眼底镜检查、内窥镜检查和其他医学图像的诊断准确性。自然语言处理和环境临床智能可以自动执行行政职责,例如在电子健康记录中记录患者就诊情况,简化临床工作流程,并让医生有更多时间与患者相处。人工智能还可以帮助新药发现、精准医疗和临床研究。人工智能的发展可以彻底改变多个与医疗保健相关的领域,并为更加个性化、准确、可预测和便携的未来铺平道路。
摘要 目的 本研究旨在评估印度北部一家眼科保健机构服务范围内糖尿病患者的糖尿病视网膜病变 (DR) 患病率和视网膜筛查覆盖率。 设计 一项基于人群的横断面研究,使用可避免失明快速评估调查,包括 DR 模块。 设定 印度北部北方邦 Shroff 博士慈善眼科医院服务范围内的一个定制农村地区。 参与者 采用两阶段整群抽样方法招募了 4095 名 50 岁及以上的人,其中 3867 人(94.4%)参与;2167 人(52.9%)为女性。4095 名参与者中有 3803 人(92.9%)接受了糖尿病评估。已确诊为糖尿病的患者和随机血糖≥200 mg/dL 的任何人都接受了散瞳眼底检查。主要和次要结果 主要和次要结果分别是 DR 的患病率和 DR 的筛查覆盖率。 结果 糖尿病的患病率为 7.0%(95% CI 5.9% 至 8.0%)。50.2% 的糖尿病患者是新发现的。在同意接受散瞳瞳孔检查的糖尿病患者中,任何 DR 的患病率为 22.8%(224 人中的 51 人),(95% CI 18.2% 至 27.3%)。5.8%(13/224)的糖尿病患者被发现患有威胁视力的 DR,其中仅 15.4%(2/13)接受了治疗。84.8% 的先前诊断为糖尿病的人从未进行过 DR 眼部检查;女性的比例明显更高(分别为 90.2% 和 76.0%,p<0.001)。76% 的先前诊断为糖尿病的人糖尿病控制不佳;接受非对抗疗法治疗的患者发生 DR 的几率明显更高 (p<0.01)。糖尿病病程 >10 年且血糖控制不佳的患者发生 DR 的几率更高 (OR 分别为 1.8 和 1.6),但未发现具有统计学意义。