文摘
横断面研究的疑似糖尿病性视网膜病变(DR)患者有一个眼科检查和视网膜扫描是本研究的重点。专门的视网膜图像进行了分析和分类使用OPF和元模型(限制玻耳兹曼机)。视网膜照片分类是根据疾病的存在与否视网膜病变(博士)。遏制疟疾OPF模型提取和500年和1000年后从疾病分类的图像特征的识别系统培训阶段的视网膜病变和正常模式。总共有15个不同的实验系列,每一个都有30的循环重复率。这项研究包括73名糖尿病患者(122眼),其中50.7%是男性,49.3%是女性。人口在年龄方面,平均59.7岁。遏制疟疾- 1000整体诊断准确性最高(89.47)的任何设备的评估。遏制疟疾- 500有一个更好的autodetection系统信号博士在眼底图像比竞争对手(敏感性100%)。特异性,遏制opf - 1000 - 1000和正确地识别所有的图片没有博士的迹象。 In particular, the RBM model of machine learning automatic disease detection performed well in terms of diagnostic accuracy, sensitivity, and application in diabetic retinopathy screening.
1。介绍
糖尿病(DM)由一组分享高血糖的表现型的代谢紊乱,引起的胰岛素分泌绝对或相对赤字或行动。慢性高血糖与损伤、功能障碍,或失败的器官和组织,包括视网膜、肾脏、神经系统、心脏和血管1]。糖尿病性视网膜病变出现在1型和2型糖尿病,特别是长期疾病患者和血糖控制差2]。相关的发病机制是多因素疾病,慢性高血糖代谢的影响。在参与糖尿病视网膜病变的起源的主要因素是生化(早期),血流动力学,和内分泌因素,相互影响,导致蛋白质非酶的糖化,氧化应激,多元醇,积累和激活的蛋白激酶C (3]。需要博士的早期检测鼓励寻找更有效的筛选方法。视网膜图像分析模型自动选择,旨在减少医生的工作量,提供一种实用的、具有成本效益的方法(4]。自动图像分析软件,在一般情况下,使用基于机器学习的人工智能(机器学习),和一些更高级的深度学习(深度学习),最近在人工神经网络的进步,它允许总值提高图像的分类(5]。
考虑到当前场景筛选糖尿病性视网膜病变的替代方法的研究,我们提出开展这项研究中,考虑到自动图像分析的模型,优化路径森林(OPF)和限制玻耳兹曼机(元),可以一起使用,结合实用性和低运营成本的OPF计算负载的减少,遏制允许,在需要的情况下许多图像识别的输入变量,如糖尿病性视网膜病变。研究使用消息和遏制识别糖尿病性视网膜病变是罕见的,和个人和社会负担,糖尿病性视网膜病变导致的失明鼓励寻找新形式的筛选有类似的准确性的黄金标准,分析照片的专家。
2。材料和方法
2.1。类型的研究
这项研究是横向研究。
2.2。研究地点
这项研究是由美国眼科,耳鼻喉科学和头颈外科,巴格达,伊拉克巴格达大学。
2.3。伦理分析
该研究项目的研究伦理委员会批准巴格达大学的医学院,巴格达,伊拉克。
2.4。研究人群
受试者签署知情同意书进行评估纳入和排除标准。
2.5。入选标准
个人在18岁I或II型糖尿病的诊断和疑似糖尿病性视网膜病变,无论性别和种族,都包括在内。我们视为涉嫌视网膜病变糖尿病患者长期进化时间(> 5年为I型糖尿病和II型> 10年)和/或低视力相关投诉。
2.6。排除标准
以下被排除在研究:(我)糖尿病患者媒体混浊,阻止底部(2)糖尿病患者糖尿病视网膜病变以外的低视力的原因(3)糖尿病人发生之前治疗糖尿病性视网膜病变(激光、注射抗血管新生、玻璃体切除术)
2.7。眼科的评价
所有患者接受眼科检查以下几点:(我)测量视力(2)扁平张力测定法(3)视网膜活组织镜检查与评估(iv)双目间接检眼镜检查(v)彩色照片(vi)Retinography的分析是由一个蒙面眼科视网膜专家评估数据;任何发现糖尿病性视网膜病变的迹象时,所使用的分类是世卫组织的指南
基于这种分类,专家把照片分成四类:(我)没有糖尿病性视网膜病变(2)轻微的糖尿病性视网膜病变(3)中度/重度糖尿病性视网膜病变(iv)增生性糖尿病视网膜病变
2.8。技术用于眼科评估
2.8.1发布。视敏度
执行验证的视力更好的光学校正时使用的病人,使用一个optotype表从早期治疗糖尿病视网膜病变的研究(ETDRS) [5]。分析视力损害的水平(低视力和失明)的患者,使用的参数是谁(6]。
2.8.2。活组织镜检查
Biomicroscopic使用裂隙灯检查了从FMB视网膜门诊,评价结膜、角膜、前房、虹膜、瞳孔、晶状体、玻璃体、视网膜,借助78 -屈光镜(美国导师Volk光学Inc .)。
2.8.3。扁平张力测定法
眼压的测量是执行与患者坐姿,局部麻醉后一滴眼药水用5毫克的0.5%丙美卡因盐酸盐(默克公司、德国)和15滴荧光素钠滴眼液(Sigma-Aldrich),使用Goldmann-type压平式眼压计,模型r - 900 (Haag-Streit AG)。,伯尔尼,瑞士),耦合到一盏灯。
2.8.4。瞳孔的扩张
的活组织镜检查镜头、玻璃体和视网膜,以及眼底检查,三个灌注物的个人经历了瞳孔扩张,间距为5分钟,下降1% tropicamide眼药水(Mydriacyl®1%, Sigma-Aldrich)。
2.8.5。Fundoscopy
眼底检查进行双目间接检眼镜,模型H-OI(奈茨仪器有限公司、东京、日本),和一个20-diopter透镜(尼康公司(日本东京),病人在仰卧位和瞳孔扩张。
2.8.6。Retinography
使用Visucam Retinography进行视网膜照片(卡尔蔡司Meditec制造有限公司、都柏林、美国),记录视网膜和视神经盘。
2.9。图像通过机器学习的评价:评价的图像进行计算,科学教师
2.9.1。优化路径森林(OPF)
(我)培训:在OPF应用于病人包括在这项研究中,一组训练系统的组装,使用摄影图像的其他糖尿病患者和糖尿病性视网膜病变,由同一Visucam视网膜成像,也分析了视网膜专家(137张照片)。培训使OPF算法识别糖尿病视网膜病变和正常的模式。过程如下。(2)OPF训练集的组装:指每个病人的摄影特点。在这组,包括专家的诊断结果,通知是否病人的疾病。(3)消息培训:利用训练集,为了识别疾病的模式。(iv)训练后:应用程序OPF在新一批的眼底图像(的患者纳入研究)和比较结果产生的系统专家的诊断(金标准)。
2.9.2。限制玻耳兹曼机(元)和深度信念网(DBNs)
1实验装置。执行分类之前,数据集预处理如下:所有图片大小200×200像素,和RGB图像(红、绿、蓝)被转换为灰度的像素强度区间[0;1]。
表1描述了六种不同的模型用来解决分类问题。这样的模型不同数量的隐藏层和隐藏的神经元。此外,重要的是要注意,“常态。”(规范化)设置使用了一个天真的(原生)遏制建筑采用不同的预处理方法,只有有效的隐层(一元)。
考虑一个示例图片 ,在哪里X代表整个数据集,上述预处理的常态。”是一个简单的统计技巧来提高质量的灰度 ,这对应于以下公式: 在哪里代表了规范化的形象,代表图像的平均像素值 ,和代表的标准偏差像素。然后,整个数据集规范化使用高斯分布的意思是零和一个统一的标准偏差。这个事实让我们利用众所周知的Gaussian-Bernoulli元,疟疾的一种变体,样品的可见价值一个高斯分布,考虑到潜在的二进制空间。解释是很重要的,只有一个模型选择使用可见高斯单位,从初步实验与多个隐层并没有显示出良好的收敛性。疟疾行动学习过程结束后,数据集组成的资源从隐层单元中提取美联储监督学习算法(OPF)。四个模型被认为是提取特征和分类图片:(我)OPF - 500: 500图像特征提取的OPF的遏制和分类(2)OPF - 1000, 1000年遏制图像特征提取和分类的消息(3)元- 500:500元图像特征提取和分类(iv)元- 1000:1000元图像特征提取和分类
2.10。统计分析
分析结果,Wilcoxon测试是用来比较两个样本的位置措施是否相等的情况下样品都依赖。敏感性和特异性值计算的算法用于评估图像。的假设错误的概率小于5% ( )被认为是真实的。
3所示。结果
3.1。一般特征的样本
共有73名患者(122眼)进行了评估,50.7%男性和49.3%女性。年龄从36到79年不等,平均59.7年。大多数病人将自己归为“白色”(86%)。七十例2型DM,只有三个1型。胰岛素治疗方案发生在53.4%的病人。在与糖尿病相关的疾病,主要的一个是系统性动脉高血压(70%)。吸烟和酗酒的协会是小,分别对应于12.3%和4.3%的患者(表2)。病人的主要抱怨是视力低下,近(93.1%)和远(91.8%),甚至在光学校正的用户(63.1%)。表3显示了在122眼视力损害的程度进行了研究。眼历史,所提到的三个最白内障(10.9%)、青光眼(6.8%),和以前的手术(9.6%)。
3.2。眼科的评价
专家的评估122 retinographies显示糖尿病性视网膜病变(DR)的缺失(图17的眼睛1)和博士的存在在105眼(86%),分类如下:(我)轻微的糖尿病性视网膜病变:19 (18.1%)(2)中度/重度糖尿病视网膜病变:77 (73.3%)(3)增生性糖尿病视网膜病变:9(8.6%)(图2)
3.3。图像评价
集图像评估包含259照片(137年从训练集,用于学习系统,和122新的,从73名患者包括在这项研究中,用于测试)。
十五集的实验进行的重复在每组30个周期,不同比例的培训/随机测试集,每个重复每组测试培训(80%和20%)。因此,所有参与测试样本(每个执行不同组的20%被用于培训,共计样本的100%)。执行后的15个系列中,表中给出的结果4被获得。
表5和6显示15个一系列实验的平均表现与元- 500元- 1000,考虑四类(没有博士,博士轻度,中度/重度博士,和增生性博士)。表7显示的平均性能opf - 500和15实验系列opf - 1000。
只考虑疾病的存在与否(糖尿病视网膜病变),表8和9显示性能的遏制(500和1000)和OPF(500和1000)。
灵敏度测量模型的能力正确识别那些有糖尿病性视网膜病变,而特异性衡量那些没有(表9)。遏制灵敏度值很高,尤其是对疟疾- 500(100%)与95.7%的疟疾- 1000(表8)。opf - 500有更高的灵敏度值(95.5%)比opf - 1000(86年4%)。至于特异性,同时遏制opf - 1000 - 1000和提出了100%;也就是说,他们正确地识别所有图片,没有这种能力博士是降低疟疾- 500年(64.3%)和opf - 500(87.5%)(表10)。
4所示。讨论
早期筛查的支柱之一是预防失明的糖尿病患者,由于视网膜病变可以无症状开始和视力丧失的疾病时只能注意到先进(51)。两个大型研究的结果在糖尿病视网膜病变,糖尿病性视网膜病变的研究(DRS)和早期治疗糖尿病视网膜病变的研究(ETDRS),表明早期和有效的治疗可以预防严重的视力丧失和减少失明的疾病的风险约50% (52-54)。
机器学习自动疾病检测模型提供一个快速和实用的手段筛查患者仍未确诊的糖尿病视网膜病变,尤其是那些生活在偏远地区没有获得专业服务(41)。
本研究使用了两个具有不同特点的图像分类器,OPF(优化路径森林)和遏制(限制玻耳兹曼机)。指标用来评估分类器在这个研究精度,灵敏度和特异性。
获得的结果显示,疟疾,使用1000特征提取分析摄影图像,有最好的整体性能的诊断准确性(89.5%);也就是说,它是模型的最大能力博士有或没有正确区分图像信号经过15集的实验。
至于敏感性,四个模型分析了遏制- 500和遏制opf - opf - 500和- 1000和1000)提出性能80%以上,被认为是理想的成像筛查(55)。500元已经达到了100%的准确率RD在场时,遏制疟疾- 1000(95.7%)紧随其后。opf - 500的敏感性为95.5%,而opf - 1000的敏感性为86.4%。
对于特异性,遏制opf - 1000 - 1000和分类器显示最好的结果(100%的正确性在没有疾病)。opf - 500性能最低(87.5%),但仍高于80%,而元- 500的性能最差的四个模型,为64.3%。
结果类似于目前的研究中发现了系统回顾2019年(8博士),评估深度学习检测模型图像分类。八个研究评估的灵敏度值范围从100%到80,特异性值从90%到84,表明使用自动的人工智能方法的潜力作为筛选工具(9]。
OPF算法关于疟疾的性能和在区分糖尿病性视网膜病变的严重程度,本研究的结果显示更好的性能分类器的识别标志的增生性视网膜病变(四个模型正确性100%)和更糟糕的性能检测初始或轻微,且没有明显的疾病的迹象。这些结果不妥协的使用算法筛选博士,从当前国际筛查项目的重点是早期发现所谓的“引用糖尿病视网膜病变”,提出了先进的疾病的迹象,表明立即治疗(10]。
这条线的行为后,Nagasawa et al。11)使用深学习模式识别只有治疗增生性形式,由于指示立即治疗的重要性,和获得的敏感性为94.7%,特异性为97.2% (12]。其他研究使用人工智能医疗设备显示好的结果,尤其是在中度和重度形式的博士和特定的识别这些形式的迹象,如分泌物的存在(13]。
本研究有一定的局限性。视网膜照片的数量低于计划分析与视网膜照片由于技术问题,导致的损失已经存储的图像的一部分。还有数量的变化图像评估在每个类,但不平衡是人为地补偿由合成图像的生成算法。此外,它是不可能使用一个外部图像银行训练分类器系统的研究计划,这将有助于外部验证过程的分析算法。根据Gulshan et al .,访问大型数据库的高质量的国际形象促进深度学习的验证模型,因为它们包含的数据数量与不同的民族特色11]。
在伊拉克的一个相关问题,由于异族通婚的人高,是视网膜的宽变化颜色,细节变得积极,因为它提供了更多的信息算法和促进眼底的自然组件之间的分化和[博士的迹象10,12]。在目前的研究中,96%的人宣称自己“白色”,将这个因素的影响最小化。然而,交代问题不排除种族通婚的可能性。大多数验证深度学习系统使用公共外部图片银行,主要是提供一个单一种族的图像(11]。核实背景颜色的影响因素,李等人研究了四个少数民族糖尿病性视网膜病变(中文、马来、澳大利亚白人和土著澳大利亚人)与不同程度的生理视网膜色素沉着和得出结论,这个因素并不影响深刻的学习算法的性能测试。研究者称,这一结果可以外推到世界上大多数人口(5]。虽然这一研究获得的结果有前途,还有挑战需要克服之前使用自动疾病检测通过机器学习模型在临床实践中成为现实。其中一个是优质视网膜图像的捕捉,使博士的正确分类的算法。困难是多方面的:瞳孔扩张不充分、不透明的眼睛是透明的媒体、对比和焦点问题,技术不好,视网膜或缺乏经验的摄影师。成像率与低质量和没有分类条件达到25%在一些研究[4,14]。然而,科学证据表明,人工智能本身可能在不久的将来解决这个问题。研究取得了良好的结果,适应深神经网络通过后处理(正确的视网膜图像的质量6]。作者认为该系统有潜力实现的医疗网络。另一个必须考虑的重要问题是人工智能模型如何适应医疗网络。为他们的使用可有效预防失明博士,重组涉及实现成本、管理物流、卫生政策、卫生专业人员和病人所接受和将是必要的。
算法将被纳入计算机系统的初级护理博士疑似患者,将配备一个传统视网膜照片或便携式视网膜图像捕获设备。另一个选择是开发移动应用程序的算法,可用于卫生专业人员远离专业视网膜中心。与系统,自动筛选很容易和快速,结果筛选的时候。在澳大利亚进行的一项初步研究使用自动筛选模型相比,在深入学习算法提供实时报告的结果,与手动模式,在这种模式中,视网膜图像被转移到一个专门的分类中心,结果转移到病人只有两周后评估。调查结果显示,96%的参与者说他们满意或非常满意自动筛选模型和大约80%报告倾向于在手动模式,自动筛选模型表明良好的接受这个系统级别(2- - - - - -4]。
机器学习识别糖尿病性视网膜病变是一个重要的技术,提供巨大的潜力来提高效率和可访问性博士的筛查项目,特别是在发展中国家的数量和位置专家医生穷人和病人识别需要更快的注意避免重大和衰弱视力丧失势在必行。
本研究的新颖性是两个不同的图像分析模型的比较(消息和遏制博士的自动检测,通过精度、灵敏度、特异性、和示范,遏制疟疾的表现比OPF,尤其是敏感性,对临床诊断很重要。目前的研究还表明,算法的组合策略可以提高筛查博士的性能由人工智能。
对于未来的研究,拟使用更大的数据库和一代的合成图像来提高培训过程,使用深层神经网络(如甘斯(生成敌对的网),已经与视网膜血管(一些研究使用5,8),能产生尽可能多的合成图像的用户要求,具有良好的质量。移动应用的发展也在计划下一步的研究。
5。结论
的实验条件下获得的结果,这项研究中,我们可以得出这样的结论:(一)遏制疟疾- 1000年表现最佳的诊断准确性(89.47±2.64)整体分析(b)遏制疟疾- 500高级的自动检测糖尿病性视网膜病变的迹象在照片(敏感性100%)(c)至于特异性,同时遏制opf - 1000 - 1000和提出了100%;也就是说,他们正确地识别所有图片没有糖尿病性视网膜病变(d)机器学习自动疾病检测模型,尤其是疟疾行动,显示良好的诊断准确性和灵敏度高和潜在的用于糖尿病视网膜病变筛查
数据可用性
使用的数据来支持本研究的结果包括在本文中。
信息披露
本研究作为就业的一部分执行机构。
的利益冲突
作者宣称他们没有关于这篇文章的出版的利益冲突。
确认
作者深入承认塔伊夫大学、沙特阿拉伯、支持本研究通过塔伊夫大学的研究人员支持项目TURSP-2020/344数量。