نظام تعلم عميق لتوقع وقت تقدم اعتلال الشبكية السكري

النتائج

تصميم الدراسة والمشاركون

ديب دي آر بلس يتنبأ بوقت تقدم اعتلال الشبكية السكري

الشكل 1| تصميم نظام DeepDR Plus. أ، نظرة عامة تخطيطية على نظام DeepDR Plus. يمكن لنظام DeepDR Plus التنبؤ بالوقت حتى تقدم اعتلال الشبكية السكري وأداء تصنيف المخاطر باستخدام صور شبكية العين للأفراد المصابين بالسكري. ، تقييم وتطبيق نظام الذكاء الاصطناعي. قمنا بتدريب نظام الذكاء الاصطناعي الخاص بنا على مجموعة بيانات تطويرية واختبرنا القدرة على التعميم في ثماني مجموعات طولية مستقلة. ج، نظرة تخطيطية عامة للدراسة الواقعية. د، مخطط بصري لنظام DeepDR Plus. DM، داء السكري؛ DR، اعتلال الشبكية السكري؛ NPDR، اعتلال الشبكية السكري غير التكاثري؛ PDR، اعتلال الشبكية السكري التكاثري؛

ديب دي آر بلس يتنبأ بوقت التقدم في ثلاث مجموعات فرعية

الشكل 2 | التحقق الداخلي والخارجي من نموذج قاع العين في التنبؤ بتقدم اعتلال الشبكية السكري. أ، IBS (يسار) يظهر الملاءمة العامة (الأقل أفضل) ومؤشر C (يمين) يقيس تمييز المخاطر للنموذج (الأعلى أفضل) لنقاط زمنية مختلفة. تشمل بيانات التحقق الخارجي صور قاع العين من أفراد في مجموعات ECHM وWTHM وCUHK-STDR وPUDM. ب، مخططات كابلان-ماير لتنبؤ تقدم اعتلال الشبكية السكري. الـ” المحور يشير إلى الوقت بالسنوات. الـ المحور هو احتمال البقاء، يقيس احتمال عدم تقدم اعتلال الشبكية السكري خلال 5 سنوات. تم استخدام اختبار لوغ-رانك أحادي الجانب للمقارنة.

علاوة على ذلك، قمنا بتقييم أداء نظام الفحص المخصص الذي يوصي به نموذج البيانات الوصفية أو نموذج قاع العين، مقارنة بالفحص السنوي الثابت. يوضح الجدول 3 متوسط فترة الفحص، وتقليل تكرار الفحص، ومعدل التأخر في اكتشاف تقدم اعتلال الشبكية السكري في كل من مجموعتي IM وغير IM. بالنسبة لجميع المشاركين، يمكن تمديد متوسط فترة الفحص من 12 شهرًا إلى 31.97 شهرًا إذا تم تطبيق ذلك على جميع المشاركين في كل من مجموعتي IM وغير IM

اتبعت المجموعات فترة الفحص الشخصية الموصى بها التي قدمها نموذج قاع العين. بالمقارنة مع نموذج البيانات الوصفية، يمكن لنموذج قاع العين تحقيق تقليل مماثل في تكرار الفحص ( مقابل ) مع الحفاظ على كشف أقل تأخيرًا بشكل واضح لأي تقدم في اعتلال الشبكية السكري (1.05% مقابل 4.99%). بالإضافة إلى ذلك، كان هناك
معدل أقل من الكشف المتأخر لأي تقدم في اعتلال الشبكية السكري لدى مرضى مجموعة IM مقارنة بمجموعة غير IM ( مقابل ) باستخدام فترة الفحص الموصى بها من قبل نموذج قاع العين، والذي أشار إلى أن نظام DeepDR Plus يمكنه ضمان احتمال منخفض لتأخر اكتشاف تقدم اعتلال الشبكية السكري بغض النظر عن المستقبل
التدخلات. يوضح الشكل الموسع 6ب مخطط الشلال للوقت المتوقع لتقدم اعتلال الشبكية السكري للمشاركين في الدراسة الواقعية بواسطة نموذج قاع العين. إذا اتبع جميع المشاركين في مجموعتي IM وغير IM فترة الفحص الشخصية الموصى بها من قبل نموذج قاع العين، فإن نسبة المشاركين الذين تم التوصية لهم بفحص اعتلال الشبكية السكري خلال 1-5 سنوات كانت 30.62%، 20.00%، 19.63%، 11.85% و ، على التوالي، في حين أن الكشف المتأخر عن التقدم إلى اعتلال الشبكية السكري المتقدم كان فقط لتلخيص، بالمقارنة مع نموذج البيانات الوصفية، يمكن لنموذج قاع العين تصنيف المشاركين بدقة أكبر لتمكين التدخلات الشخصية وتقليل تكرار فحوصات اعتلال الشبكية السكري مع تقليل تأخر اكتشاف تقدم اعتلال الشبكية السكري.

تحليل القابلية للتفسير

مناقشة

المحتوى الإلكتروني

References

1. Cheung, N., Mitchell, P. & Wong, T. Y. Diabetic retinopathy. Lancet 376, 124-136 (2010).
2. Tan, T. -E. & Wong, T. Y. Diabetic retinopathy: looking forward to 2030. Front Endocrinol. 13, 1077669 (2022).
3. Wong, T. Y., Cheung, C. M. G., Larsen, M., Sharma, S. & Simó, R. Diabetic retinopathy. Nat. Rev. Dis. Prim. 2, 16012 (2016).
4. Jenkins, A. J. et al. Biomarkers in diabetic retinopathy. Rev. Diabet. Stud. 12, 159-195 (2015).
5. Stratton, I. M. et al. UKPDS 50: risk factors for incidence and progression of retinopathy in type II diabetes over 6 years from diagnosis. Diabetologia 44, 156-163 (2001).
6. Solomon, S. D. et al. Diabetic Retinopathy: a position statement by the American Diabetes Association. Diabetes Care 40, 412-418 (2017).
7. Wong, T. Y. et al. Guidelines on diabetic eye care: the international council of ophthalmology recommendations for screening, follow-up, referral, and treatment based on resource settings. Ophthalmology 125, 1608-1622 (2018).
8. Flaxel, C. J. et al. Diabetic retinopathy preferred practice pattern. Ophthalmology 127, P66-P145 (2020).
9. Wang, L. Z. et al. Availability and variability in guidelines on diabetic retinopathy screening in Asian countries. Br. J. Ophthalmol. 101, 1352-1360 (2017).
10. Modjtahedi, B. S. et al. Two-year incidence of retinal intervention in patients with minimal or no diabetic retinopathy on telemedicine screening. JAMA Ophthalmol. 137, 445-448 (2019).
11. Gunasekeran, D. V., Ting, D. S. W., Tan, G. S. W. & Wong, T. Y. Artificial intelligence for diabetic retinopathy screening, prediction and management. Curr. Opin. Ophthalmol. 31, 357-365 (2020).
12. Fundus photographic risk factors for progression of diabetic retinopathy. ETDRS report number 12. Early Treatment Diabetic Retinopathy Study Research Group. Ophthalmology 98, 823-833 (1991).
13. Lund, S. H. et al. Individualised risk assessment for diabetic retinopathy and optimisation of screening intervals: a scientific approach to reducing healthcare costs. Br. J. Ophthalmol. 100, 683-687 (2016).
14. Broadbent, D. M. et al. Safety and cost-effectiveness of individualised screening for diabetic retinopathy: the ISDR open-label, equivalence RCT. Diabetologia 64, 56-69 (2021).
15. Bora, A. et al. Predicting the risk of developing diabetic retinopathy using deep learning. Lancet Digit. Health 3, e10-e19 (2021).
16. Guan, Z. et al. Artificial intelligence in diabetes management: advancements, opportunities, and challenges. Cell Rep. Med. 4, 101213 (2023).
17. Ting, D. S. W. et al. Artificial intelligence and deep learning in ophthalmology. Br. J. Ophthalmol. 103, 167-175 (2019).
18. Ting, D. S. W. et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA 318, 2211-2223 (2017).
19. Gulshan, V. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316, 2402-2410 (2016).
20. Dai, L. et al. A deep learning system for detecting diabetic retinopathy across the disease spectrum. Nat. Commun. 12, 3242 (2021).
21. Arcadu, F. et al. Deep learning algorithm predicts diabetic retinopathy progression in individual patients. NPJ Digit. Med. 2, 92 (2019).
22. Cai, C. et al. Effectiveness of quality of care for patients with type 2 diabetes in China: findings from the Shanghai Integration Model (SIM). Front. Med. 16, 126-138 (2022).
23. Wilkinson, C. P. et al. Proposed international clinical diabetic retinopathy and diabetic macular edema disease severity scales. Ophthalmology 110, 1677-1682 (2003).
24. Chen, S. et al. A seven-year study on an integrated hospital-community diabetes management program in Chinese patients with diabetes. Prim. Care Diabetes 12, 231-237 (2018).
25. Norton, E. C., Miller, M. M. & Kleinman, L. C. Computing adjusted risk ratios and risk differences in Stata. Stata J. 13, 492-509 (2013).
26. Das, S. K. Confidence interval is more informative than p-value in research. Int. J. Eng. Appl. Sci. Technol. 4, 278-282 (2019).
27. Raman, R. et al. Incidence and progression of diabetic retinopathy in urban India: Sankara nethralaya-diabetic retinopathy epidemiology and molecular genetics study (SN-DREAMS II), Report 1. Ophthalmic Epidemiol. 24, 294-302 (2017).
28. Varadarajan, A. V. et al. Deep learning for predicting refractive error from retinal fundus images. Invest. Ophthalmol. Vis. Sci. 59, 2861-2868 (2018).
29. Yang, D. et al. Assessment of parafoveal diabetic macular ischemia on optical coherence tomography angiography images to predict diabetic retinal disease progression and visual acuity deterioration. JAMA Ophthalmol. 141, 641-649 (2023).
30. Sun, Z. et al. OCT angiography metrics predict progression of diabetic retinopathy and development of diabetic macular edema: a prospective study. Ophthalmology 126, 1675-1684 (2019).
31. Cheung, C. Y. et al. A deep-learning system for the assessment of cardiovascular disease risk via the measurement of retinal-vessel calibre. Nat. Biomed. Eng. 5, 498-508 (2021).
32. CHEUNG, C. Y. L. et al. A new method to measure peripheral retinal vascular caliber over an extended area. Microcirculation 17, 495-503 (2010).
33. Scanlon, P. H. Screening intervals for diabetic retinopathy and implications for care. Curr. Diab. Rep. 17, 96 (2017).
34. Henry, K. E. et al. Human-machine teaming is key to AI adoption: clinicians’ experiences with a deployed machine learning system. NPJ Digit. Med. 5, 97 (2022).
35. Dixon, R. F. et al. A virtual type 2 diabetes clinic using continuous glucose monitoring and endocrinology visits. J. Diabetes Sci. Technol. 14, 908-911 (2020).
36. Downing, J., Bollyky, J. & Schneider, J. Use of a connected glucose meter and certified diabetes educator coaching to decrease the likelihood of abnormal blood glucose excursions: the livongo for diabetes program. J. Med Internet Res. 19, e234 (2017).
37. Poplin, R. et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat. Biomed. Eng. 2, 158-164 (2018).
38. Cheung, C. Y.-L. et al. Retinal vascular geometry and 6 year incidence and progression of diabetic retinopathy. Diabetologia 60, 1770-1781 (2017).
39. Lu, Y. et al. Evaluation of automatically quantified foveal avascular zone metrics for diagnosis of diabetic retinopathy using optical coherence tomography angiography. Invest. Ophthalmol. Vis. Sci. 59, 2212-2221 (2018).
40. Sawides, L. et al. Alterations to the foveal cone mosaic of diabetic patients. Invest. Ophthalmol. Vis. Sci. 58, 3395-3403 (2017).
41. Cheung, C. Y., Ikram, M. K., Klein, R. & Wong, T. Y. The clinical implications of recent studies on the structure and function of the retinal microvasculature in diabetes. Diabetologia 58, 871-885 (2015).
42. Klein, R. et al. Retinal vascular abnormalities in persons with type 1 diabetes: the Wisconsin Epidemiologic Study of Diabetic Retinopathy: XVIII. Ophthalmology 110, 2118-2125 (2003).
43. Klein, R. et al. The relation of retinal vessel caliber to the incidence and progressionof diabetic retinopathy: Xix: The Wisconsin Epidemiologic Study of Diabetic Retinopathy. Arch. Ophthalmol. 122, 76-83 (2004).
44. Oshitari, T. The pathogenesis and therapeutic approaches of diabetic neuropathy in the retina. Int. J. Mol. Sci. 22, 9050 (2021).
45. Traversi, C. et al. Fractal analysis of fluoroangiographic patterns in anterior ischaemic optic neuropathy and optic neuritis: a pilot study. Clin. Exp. Ophthalmol. 36, 323-328 (2008).
46. Simó, R. & Hernández, C. European Consortium for the Early Treatment of Diabetic Retinopathy (EUROCONDOR) Neurodegeneration in the diabetic eye: new insights and therapeutic perspectives. Trends Endocrinol. Metab. 25, 23-33 (2014).
47. Zafar, S., Sachdeva, M., Frankfort, B. J. & Channa, R. Retinal neurodegeneration as an early manifestation of diabetic eye disease and potential neuroprotective therapies. Curr. Diab. Rep. 19, 17 (2019).
48. Sohn, E. H. et al. Retinal neurodegeneration may precede microvascular changes characteristic of diabetic retinopathy in diabetes mellitus. Proc. Natl Acad. Sci. USA 113, E2655-E2664 (2016).
49. Wong, T. Y. & Sabanayagam, C. The war on diabetic retinopathy: where are we now? Asia Pac. J. Ophthalmol. 8, 448-456 (2019).
50. Liu, H. et al. Economic evaluation of combined population-based screening for multiple blindness-causing eye diseases in China: a cost-effectiveness analysis. Lancet Glob. Health 11, e456-e465 (2023).
51. Yang, Z., Tan, T.-E., Shao, Y., Wong, T. Y. & Li, X. Classification of diabetic retinopathy: past, present and future. Front. Endocrinol. 13, 1079217 (2022).
52. Zhou, Y. et al. A foundation model for generalizable disease detection from retinal images. Nature 622, 156-163 (2023).

• e-mail: shengbin@sjtu.edu.cn; huarting99@sjtu.edu.cn; wongtienyin@tsinghua.edu.cn; wpjia@sjtu.edu.cn

الطرق

الموافقة الأخلاقية

اكتساب البيانات

معايير التشخيص

إجراء مراقبة جودة الصورة وتصنيفها

تطوير النموذج والتدريب

نموذج تقدم مرض السكري

التدريب المسبق للنموذج

نموذج القاع

نموذج البيانات الوصفية والنموذج المدمج

تقييم النموذج

تفسير توقعات الذكاء الاصطناعي

ملخص التقرير

توفر البيانات

توفر الشفرة البرمجية

References

53. Majithia, S. et al. Cohort profile: The Singapore Epidemiology of Eye Diseases study (SEED). Int. J. Epidemiol. 50, 41-52 (2021).
54. Nguyen, H. V. et al. Cost-effectiveness of a National Telemedicine Diabetic Retinopathy Screening Program in Singapore. Ophthalmology 123, 2571-2580 (2016).
55. WHO Consultation. Definition, diagnosis and classification of diabetes mellitus and its complications (1999).
56. ElSayed, N. A. et al. 2. Classification and diagnosis of diabetes: Standards of Care in Diabetes-2023. Diabetes Care 46, S19-S40 (2023).
57. Kaniadakis, G. et al. The -statistics approach to epidemiology. Sci. Rep. 10, 19949 (2020).
58. He, K., Fan, H., Wu, Y., Xie, S. & Girshick, R. Momentum contrast for unsupervised visual representation learning. in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition 9729-9738 (2020).
59. Chen, X., Fan, H., Girshick, R. & He, K. Improved baselines with momentum contrastive learning. arXiv preprint arXiv:2003.04297 (2020).
60. Vaswani, A. et al. Attention is all you need. in Advances in neural information processing systems 5998-6008 (2017).
61. Zhao, H., Jia, J. & Koltun, V. Exploring self-attention for image recognition. in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition 10076-10085 (2020).
62. Lundberg, S. M. et al. Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nat. Biomed. Eng. 2, 749-760 (2018).
63. Lundberg, S. M. & Lee, S. -I. A unified approach to interpreting model predictions. in Advances in Neural Information Processing Systems 30 (2017).

الشكر والتقدير

مساهمات المؤلفين

المصالح المتنافسة

معلومات إضافية

الشكل البياني للبيانات الموسعة 1 | مخطط تدفق مجموعات البيانات. DRPS، دراسة تقدم اعتلال الشبكية السكري؛ ECHM، إدارة الصحة بشرق الصين؛ WTHM، إدارة الصحة بجامعة ووهان تونغجي؛ NDSP، مشروع فحص السكري في نيشنغ؛ CUHK-STDR، الجامعة الصينية في هونغ كونغ – اعتلال الشبكية السكري المهدد للبصر

اعتلال الشبكية؛ PUDM: إدارة السكري في الاتحاد البكيني؛ SEED، دراسة علم الأوبئة لأمراض العين في سنغافورة؛ SiDRP، برنامج الفحص الوطني لاعتلال الشبكية السكري في سنغافورة؛ BJHC، دراسة تجمع الرعاية الصحية في بكين.

الشكل البياني الموسع 4 | التحقق الداخلي والخارجي من نظام DeepDR Plus في التنبؤ بتقدم اعتلال الشبكية السكري غير القابل للإحالة إلى
الاعتلال الشبكي القابل للإحالة د. أ، درجة بريير المتكاملة (يسار) تظهر الملاءمة العامة – كلما كانت أقل كان ذلك أفضل، ومؤشر C (يمين) يقيس تمييز مخاطر النموذج – كلما كان أعلى كان ذلك أفضل – لنقاط زمنية مختلفة. ب، مخططات كابلان-ماير لتوقع التقدم من الاعتلال الشبكي غير القابل للإحالة إلى الاعتلال الشبكي القابل للإحالة. تم استخدام اختبار لوغ-رانك أحادي الجانب لـ
المقارنة بين مجموعات المخاطر المنخفضة والعالية. قيم P في مجموعة الاختبار الداخلية ومجموعتي التحقق الخارجي 1 و 2 هي و ، على التوالي. ج، التنبؤ بتطور اعتلال الشبكية السكري غير القابل للإحالة إلى اعتلال الشبكية السكري القابل للإحالة باستخدام منحنيات ROC المعتمدة على الزمن. المناطق المظللة في و هي فواصل ثقة بنسبة 95%. تُعرض المساحات تحت منحنيات ROC كقيم متوسطة (الحد الأدنى لـ ، الحد الأعلى لـ ).

الشكل الموسع 5 | التحقق الداخلي والخارجي من نظام DeepDR Plus في التنبؤ بالتقدم من اعتلال الشبكية السكري غير المهدد للرؤية إلى اعتلال الشبكية السكري المهدد للرؤية. أ، درجة بريير المتكاملة (يسار) التي تظهر ملاءمة عامة – كلما كانت أقل كان أفضل، ومؤشر C (يمين) الذي يقيس تمييز المخاطر للنموذج – كلما كان أعلى كان أفضل – لنقاط زمنية مختلفة. ب، مخططات كابلان-ماير للتنبؤ بالتقدم من اعتلال الشبكية السكري غير المهدد للرؤية إلى اعتلال الشبكية السكري المهدد للرؤية. تم استخدام اختبار لوغ-رانك أحادي الجانب للمقارنة بين المجموعتين المنخفضة والعالية-
مجموعات الخطر. الـ القيم على مجموعة الاختبار الداخلية ومجموعة التحقق الخارجية 1 و 2 هي و ، على التوالي. ج، التنبؤ بتطور اعتلال الشبكية السكري غير المهدد للبصر إلى اعتلال الشبكية السكري المهدد للبصر باستخدام منحنيات ROC المعتمدة على الزمن. المناطق المظللة في و هم فواصل الثقة. تُعرض المساحات تحت منحنيات ROC كقيم متوسطة (الحد الأدنى لفاصل الثقة 95%، الحد الأعلى لفاصل الثقة 95%).

الشكل البياني الموسع 6 | الدراسة الواقعية لتقييم النتيجة السريرية من خلال التكامل مع نظام DeepDR Plus. أ، مخطط سير الدراسة ومعدل تقدم اعتلال الشبكية السكري الفعلي بين الفئتين عالية الخطورة ومنخفضة الخطورة التي تم تقييمها بواسطة نماذج قاع العين والبيانات الوصفية في مجموعة IM ومجموعة غير IM. ب، مخطط الشلال للوقت المتوقع لتقدم اعتلال الشبكية السكري للمشاركين في الدراسة الواقعية بواسطة نموذج قاع العين.
(DeepDR Plus). يعرض مخطط الشلال الوقت المتوقع لتقدم اعتلال الشبكية السكري لجميع المشاركين في الدراسة الواقعية بواسطة نموذج قاع العين. تم تحديد فترة الفحص الفردية عند نقطة زمنية سنوية من الخط الأساسي، والتي كانت فقط بعد عام من الوقت المتوقع لتقدم اعتلال الشبكية السكري الخاص بالمريض حسب نموذج قاع العين.

نيتشر بورتفوليو

ملخص التقرير

الإحصائيات

تم التأكيد

البرمجيات والرموز البرمجية

معلومات السياسة حول توفر البيانات

• رموز الوصول، المعرفات الفريدة، أو روابط الويب لمجموعات البيانات المتاحة للجمهور
• وصف لأي قيود على توفر البيانات
• بالنسبة لمجموعات البيانات السريرية أو بيانات الطرف الثالث، يرجى التأكد من أن البيان يتوافق مع سياستنا

المشاركون في البحوث البشرية

التقارير عن الجنس والنوع الاجتماعي

خصائص السكان

التوظيف

الإشراف على الأخلاقيات

التقارير المتخصصة في المجال

تصميم دراسة علوم الحياة

التقارير الخاصة بالمواد والأنظمة والأساليب المحددة

المواد والأنظمة التجريبية		الطرق
غير متوفر	مشارك في الدراسة	غير متوفر	مشارك في الدراسة
X
			تدفق الخلايا
	علم الحفريات والآثار		التصوير العصبي القائم على الرنين المغناطيسي

البيانات السريرية