基于机器深度学习算法的圆锥角膜智能化诊断模型研究_敖弟华.pdf

智能眼科基于机器深度学习算法的圆锥角膜智能化诊断模型研究敖弟华，田熙睿，马明勋，张 波，陈 敏，彭艳丽，引用：敖弟华，田熙睿，马明勋，等 基于机器深度学习算法的圆锥角膜智能化诊断模型研究 国际眼科杂志；（）：基金项目：重庆市科学技术局技术创新与应用发展专项项目（）作者单位：（）中国湖南省长沙市，中南大学爱尔眼科学院；（）中国重庆市，重庆爱尔眼科医院屈光手术科；（）中国重庆市，中冶赛迪技术研究中心有限公司；（）中国重庆市，重庆南坪爱尔眼科医院屈光手术科作者简介：敖弟华，女，在读硕士研究生，研究方向：屈光。通讯作者：彭艳丽，博士，主任医师，副院长，硕士研究生导师，研究方向：屈光 收稿日期：修回日期：摘要目的：通过对患者临床数据进行数据挖掘分析建立针对小直径角膜的圆锥角膜智能化诊断模型。方法：诊断性研究。共收集患者 例 眼，其中男 例 眼，女 例 眼，年龄 （平均）岁，其中 在重庆南坪爱尔眼科医院已行角膜屈光手术患者 例 眼，确诊圆锥角膜患者 例 眼。所有患者行 角膜地形图显示角膜直径。由 位角膜科专家通过 地形图中 增强扩张显示（）系统将患者数据分类为正常角膜、可疑圆锥角膜、圆锥角膜。采用计算机随机采样方法随机筛选其中 例患者的数据作为训练集，另 例患者的数据作验证集。利用卷积神经网络（）提取 个角膜参数特征，分别采 用 残 差 网 络（，）、（）及 建立模型，通过交叉熵损失函数进行训练并采用样本交叉法验证模型的准确性，并采用受试者工作特征曲线评价模型的敏感度与特异度。结果：、和 模型诊断正常角膜和可疑圆锥角膜的准确率分别为 、和，受试者工作特征曲线下面积（）为、和。诊断可疑圆锥角膜和圆锥角膜的准确率分别为、和，分别为、和。结论：对于直径 的角膜，借助 算法建立的数据模型对圆锥角膜有较高的准确率，可为早期筛查提供真实有效的指导作用。关键词：圆锥角膜；角膜地形图；深度学习；计算机辅助诊断；卷积神经网络：，：（），；，；，；，：，；，：（），（）（），（），（），（）（），（），（），：，（），：，：；：，（）；（）：引言圆锥角膜是最常见的原发性角膜扩张疾病，其特征是角膜局部变薄并向前的锥形突出。据统计圆锥角膜发病率约 主要由于各研究之间采用了不同定义和诊断标准。圆锥角膜晚期可出现急性角膜水肿甚至角膜穿孔，常常需要进行角膜移植，因此其诊治强调早期、及时，以避免视力进一步下降。但早期圆锥角膜临床表现并不明显，仅表现为高度不规则近视散光，为鉴别诊断带来了不小的困难。目前基于 断层扫描技术的 眼前节分析仪因其能提供角膜前后表面的准确情况，通过三维重建角膜前后表面并与最佳拟合球面（，）进行比较获得角膜高度数据，同时配备 增强扩张显示系统（，）来评估角膜扩张风险。因此在圆锥角膜筛查中应用广泛。然而 在评估角膜数据时所参考对比的样本数据库数据来源于欧洲人种，而亚洲人种的眼前节结构尺寸（角膜直径）相对白色人种明显较小，有研究发现角膜直径与 测量参数显著相关，尤其是 系统中的标准化指标在小直径角膜患者中明显增大，可导致超过 的患者被误判为可疑圆锥角膜。因此如何进一步提升对可疑圆锥角膜的鉴别能力成为临床工作的难点。随着计算机算力的不断增强，人工智能算法的不断发展，基于深度学习的图像分类技术开始被运用在各个领域，不 仅 如 此，图 像 分 类 技 术 本 身 也 有 了 长 足 的 发展。除卷积神经网络（，）及注意力机制之外，近年来，谷歌团队提出的（）模型，在几乎没有修改原始的结构基础上，直接将图片切分为序列输入，从而完成基础的视觉分类工作。在以往的研究中，已有团 队 利 用 机 器 学 习 算 法 对 角 膜 特 征 建 立 数 据 模型，以提高圆锥角膜诊断准确率，但针对小直径角膜群体的样本数据建立及圆锥角膜诊断辅助模型尚无报道。本研究首次尝试结合深度学习中的 模型和 模型，搭建基于小直径角膜的角膜地形图数据集，构造数据模型对角膜形态进行诊断分类，辅助圆锥角膜的早期诊断，为早期筛查及治疗提供真实有效的指导作用。对象和方法 对象诊断性研究。收集重庆南坪爱尔眼科医院就诊的小直径角膜（地形图所测直径）患者共 例 眼，其中男 例，女 例，年龄（平均）岁，其中 在重庆南坪爱尔眼科医院已行角膜屈光手术患者 例 眼，确诊圆锥角膜患者 例 眼。屈光手术患者纳入标准：（）术前检查时 内近视进展小于，双眼无圆锥角膜相关体征；（）术后随访时间 以上，期间未发现术后角膜扩张；（）术前 角膜地形图：项为“”，检查范围直径。排除标准：有其他角膜疾病。圆锥角膜患者纳入标准：由 位角膜科专家联合诊断（）具有圆锥角膜典型体征：环、线、征、角膜中央或偏颞下部呈明显锥状突起、角膜中央变薄明显等；（）角膜地形图：典型圆锥 角 膜 分 级（，）阳性，综合地形图：表面变异指数（，）、垂直非对称指数（，）、圆锥角膜指数（，）、中心圆锥角膜指数（，）、高度非对称指数（，）、高度轴偏心指数（，）提示异常，角膜前、后表面高度图岛状改变。本研究经重庆南坪爱尔眼科医院伦理审查委员会批准（），所有患者都充分了解手术及研究的风险和益处，并签署知情同意书，所有流程均符合赫尔辛基宣言的要求。方法 诊断及分组由 位角膜科专家利用 地形图 中 增 强 扩 张 显 示（，）系统将已行屈光手术患者数据标注为正常角膜、可疑圆锥角膜，同时联合诊断并标注圆锥角膜。分类指标：（）角膜高度数据：角膜后表面高度差异图、角膜后表面高度差异图、角膜前表面高度偏差值（）和后表面高度偏差值（）；（）角膜厚度数据：平均厚度进展偏差值（）、最薄点厚度偏差值（）、厚度最大变化率偏差值（）和总偏差值（）。角膜前表面高度差正常值为，可疑值为，病理值为，角膜后表面高度差正常值为，可疑值为，病理值为；、正常值为，可疑值为 ，病理值为；正常值同上，可疑值为，病理值为。正常角膜组：角膜高度数据及厚度数据均在正常范围；可疑圆锥角膜组：角膜高度数据及厚度数据为可疑或病理；圆锥角膜组：位角膜科专家根据临床表现和 角膜地形图数据联合诊断（图）。采集数据通过 三维眼前节分析仪导出七类原始三维角膜地形 图数据，共 个逗号分隔 值（，）文件，包含角膜前表面高度、角膜后表面高度、角膜前表面曲率、角膜后表面曲率、前房深度、全角膜的屈光度和角膜厚度，数据描述了在眼球的任意位置对应的数值大小。将 类角膜数据拼接在国际眼科杂志 年 月 第 卷第 期 ：电话：电子信箱：图 数据处理及分类示意。一起，对数据进行预处理后进行保存，以形成完整的角膜地形图数据集。建立模型 本研究模型基于 机器学习库构建，在其基础上进行开发改进及试验。在数据特征提取部分采用由卷积神经网络及跳跃连接构成的 结构，在提取角膜地形图关键信息的同时，保证梯度的反向传播，以解决网络较深时梯度消失的问题，加快训练过程；此外，引入基于自注意力机制的 模型，它能以并行的方式进行矩阵计算，可以更好地捕捉数据内部相关性以及学习远距离依赖关系。具体步骤如图 所示：（）从 三维眼前节分析仪中收集角膜直径 以下的所有角膜地形图数据，并按照正常角膜、可疑圆锥角膜和圆锥角膜三类进行标注，以此作为原始数据。（）根据不同类别的三维角膜地形图数据，使用通道拼接的方式将其直接合并，并对数据进行裁剪、归一化、数据转换等预处理，构建模型训练数据集。（）先 利 用 残 差 神 经 网 络 （，）对数据进行初步特征提取，再将得到的特征图输入到 模块中，利用其内部的编码解码及自注意力机制，添加位置信息并完成特征融合。（）使用全连接层输出圆锥角膜的诊断分类结果，通过交叉熵损失函数进行模型的反向传播训练，再通过样本交叉验证结果，获得最终的分类模型。（）使用诊断模型对验证集进行正常角膜、可疑圆锥角膜和圆锥角膜的诊断，计算诊断准确率、敏感度、特异度等指标。（）采用受试者工作特征曲线对比三种数据模型诊断的效能。训练设置 数据集中包括了正常角膜、可疑圆锥角膜、圆 锥 角 膜 三 类 数 据，通 过 模 型、模型及本文使用的 模型进行两两对比实验。在模型的训练中，设置为，根据训练次数，每训练 次后将学习率变为前一轮的，以便损失函数最终能达到收敛的效果。优化器选用，损失函数为交叉熵损失函数，训练集与验证集比例为，共训练 次。统计学分析：采用 进行统计学分析，计量资料采取平均数标准差表示，采用受试者工作特征曲线评估三种数据模型的诊断效能，表示差异具有统计学意义。图 算法建模流程示意图。结果 纳入患者的一般资料 本研究共纳入患者 例 眼，通过计算机随机采样方法随机筛选训练集患者 例，验证集患者 例。纳入患者的一般资料见表。三种不同模型对正常角膜和可疑圆锥角膜的诊断情况 三种深度学习算法模型在对包含正常角膜与可疑圆锥角膜的数据集进行训练与诊断时，验证集准确率分别为、和，受试者工作特征曲线下面积分别为、和（表，图）。三种不同模型对可疑圆锥角膜和圆锥角膜的诊断情况 三种不同模型对包含可疑圆锥角膜和圆锥角膜数据的验证集进行训练 和诊断，验证集 准确率分别 为、和，受试者工作特征曲线下面积分别为、和（表，图）。讨论圆锥角膜是以角膜扩张、中央变薄向前突出呈圆锥形为特征的一种眼病，圆锥角膜患者的治疗需要做到早期筛查早期干预，但圆锥角膜的早期临床表现并不明显，难以及时诊断，目前临床多根据角膜地形图及角膜层析成像进行诊断。其中 断层扫描技术可通过数据分析，输出大量标准化角膜地形参数和角膜地形图像供临床医生参考。随着近年来角膜激光手术的需求量逐渐增加，如何快速、准确地筛查圆锥角膜是目前临床急需解决的问题。人工智能可联合分析多个参数，加速传统的医疗筛查程序，能够在很短的时间内提供诊断信息。可输出多个相关参数，对于机器学习纳入的参数过多会增加计算的冗余量，而参数过少则会降低计算的精确度，等纳入不同的参数进行分析，结果显示纳入 个参数的数据模型其准确率反而高于纳入 个参数的模型，由此可见筛选合适的参数对保障模型计算精度的重要性；等选择对 个 分析出角膜数据进行分析学习，最终筛选出 个敏感度最高的参数分别为球镜度数、前房深度、角膜后表面曲率、角膜中央厚度和角膜最薄点厚度。因此本研究选取角膜前表面高度、角膜后表面高度、角膜前表面曲率、角膜后表面曲率、前房深度、全角膜的屈光度和角膜厚度数据纳入模型学习。对于 数 据 的 处 理，等直 接 利 用 获取角膜轴向曲率图、角膜高度图、角膜厚度图，：表 纳入患者的一般资料数据集眼数年龄（?，岁）角膜分类情况（眼）正常角膜可疑圆锥角膜圆锥角膜训练集验证集表 三种不同模型对正常角膜和可疑圆锥角膜的诊断情况模型眼数训练集准确率验证集准确率验证数据对不同角膜的敏感度正常角膜可疑圆锥角膜验证数据对不同角膜的特异度正常角膜可疑圆锥角膜 表 三种不同模型对可疑圆锥角膜和圆锥角膜的诊断情况模型眼数训练集准确率验证集准确率验证数据对不同角膜的敏感度可疑圆锥角膜圆锥角膜验证数据对不同角膜的特异度可疑圆锥角膜圆锥角膜 图 三种数据模型对正常角膜和可疑圆锥角膜数据的验证集进行诊断的受试者工作特征曲线。捕捉不同角膜的图像特征建立算法模型，在测试集上检测圆锥角膜和健康角膜的准确率为；等则选用 个 输出的角膜地形参数进行分析和学习。以往的研究其纳入的数据无论是角膜图像还是角膜地形参数，均是由检查设备软件分析建立的，即在模型学习前 对原始数据已经进行了预先处理分析，因此数据处理过程中对某些信息的误判常常被一并带入模型建立过程。例如 的分析诊断系统内用作对比的数据库中数据多来源于欧洲人种，对于角膜直径较小的亚洲人，其角膜地形图与圆锥角膜具有高度相似性，在临床使用时其诊断出的阳性率较高，曹开伟等研究发现角膜直径会干扰 的角膜高度数据和角膜厚度进展参数，小直径角膜患者出现假阳性比例更高；等研究发现 值在小直径角膜患者组中明显增大，可导致的患者被警示可疑圆锥角膜，提示 系统初步筛选出的可疑圆锥角膜需要参考角膜直径进行进一步判断。图 三种数据模型对可疑圆锥角膜和圆锥角膜数据的验证集进行诊断的受试者工作特征曲线。因此本研究尝试使用更完整、更原始的 文件数据建立小直径角膜样本数据库，参考既往对角