构建基于"无标注"眼底全景视网膜图像深度学习模型预测糖尿病肾病
朱丹1
卢万俊1
朱颖1
曹金璐1
陈英姿2
1.扬州大学附属江都人民医院神经内科(江苏 扬州 225200)2.扬州大学附属江都人民医院内分泌科(江苏 扬州 225200)
摘要：目的 探讨基于"无标注"早期眼底病变的全景视网膜图像深度学习(deep learning,DL)模型对糖尿病肾病(DKD)预测的可行性,并评估不同双眼融合策略的增效作用.方法 回顾性收集2022年12月至2024年3月在扬州大学附属江都人民医院内分泌科住院的353例2型糖尿病(T2DM)患者的眼底视网膜图像及临床资料.根据是否有DKD,分为DKD组(114例)和糖尿病无肾病(NDKD)组(239例).首先,基于"U型网络"(UNet)的预训练自动勾画眼底全景视网膜图像模型,并应用此"自动勾画模型"批量处理所有患者眼底全景视网膜图像.然后,按五折交叉验证(70%:30%),基于ResNet152分别构建左、右眼DL模型.并采取不同融合策略整合双眼信息构建融合模型,包括双眼结果融合、双眼特征融合、双眼图像融合模型.最后,采用受试者工作特征(ROC)曲线的曲线下面积(AUC)对模型进行评估.通过DeLong检验比较各模型之间AUC值的差异,采用净重新分类指数(NRI)和决策曲线分析(DCA)评估不同模型之间的优越性.结果 本研究共构建6个预测模型:临床参数模型、左眼底模型、右眼底模型、双眼图像融合模型、双眼结果融合模型和双眼特征融合模型.在训练集和验证集中,基于Transformer的双眼特征融合模型AUC最高(分别为0.864和0.658).DeLong检验显示,在训练集中,双眼特征融合模型AUC值显著高于其余5个模型(均P<0.001);在验证集中,各模型AUC值之间差异无统计学意义(均P>0.05).NRI显示,在训练集和验证集中,与双眼特征融合模型比较,其余5个模型NRI(分别为-0.255、-0.244、-0.289、-0.426、-0.163和-0.060、-0.016、-0.028、-0.105、-0.033)均为负值,显示基于Transformer的双眼特征融合模型预测DKD性能最优.DCA显示,双眼特征融合模型净获益大于其余5个模型.结论 基于"无标注"早期眼底病变的全景视网膜图像构建的DL模型可预测DKD.而基于Transformer融合策略性能最优,为未来进一步优化开发预测DKD工具,提供了一种新的思路.
关键词：2型糖尿病糖尿病肾病卷积神经网络融合深度学习
分类号：R774.1(视网膜及视神经疾病)
资助基金：扬州市基础研究计划(联合专项)卫生健康类项目(2024-2-29)
论文发表日期：2025-11-25
在线出版日期：2025-12-02（本平台首次上网日期，不代表文献的发表时间）
页数：11( 3598-3608 )
英文信息