朱娟 ?；ɡ?李進

眼科學是一門高度依賴影像技術發(fā)展的學科。特別是眼底病學，由于其病理特征和檢查手段的獨特性，影像學技術分析成為眼底病診斷中重要的工具之一。人工智能的發(fā)展是一場新的技術革命[1]，而圖像處理和特征識別是人工智能重要的研究方向之一。由于眼底影像對眼底病進行計算機輔助診斷具有診斷效率高、結果一致性好等特點，所以醫(yī)學智能診斷系統(tǒng)能夠幫助臨床醫(yī)師對患者病情進行更加有效地分析和診斷。特發(fā)性黃斑裂孔是指無明顯病因發(fā)生于黃斑中心的全層神經上皮層缺失[2]。由于黃斑中心凹視網膜結構的局限性全層缺損，因此對患者的中心視力產生極大影響。當發(fā)生黃斑囊樣水腫或者特發(fā)性黃斑裂孔性視網膜脫離等并發(fā)癥時，則會導致視力嚴重下降，甚至失明[3]。如果早期發(fā)現(xiàn)特發(fā)性黃斑裂孔，并在發(fā)生嚴重并發(fā)癥之前對其進行有效的醫(yī)療干預，可最大程度挽救患者視力。因此，早期發(fā)現(xiàn)并確診對于特發(fā)性黃斑裂孔患者來說具有非常重要的意義。光學相干斷層掃描 (optical coherence tomography，OCT)是近十年迅速發(fā)展起來的一種成像技術，它利用弱相干光干涉儀的基本原理，檢測生物組織不同深度層面對弱相干光的背向反射或散射信號，通過掃描可得到生物組織二維或三維結構圖像。OCT由于其分辨率高，能夠直觀顯示裂孔處組織病變剖面圖，被稱為診斷及鑒別特發(fā)性黃斑裂孔的“金標準”[4]。然而，目前對特發(fā)性黃斑裂孔的診斷基本都是依靠人工判斷的方式，在大規(guī)模眼底篩查中效率較低。另外，由于受醫(yī)療成像設備、人為操作控制等影響，在實際的醫(yī)療工作中捕獲的數(shù)字圖像影像或多或少地存在諸如噪聲、邊緣不清、病灶不清、對比度不強等問題，而且在一些基層醫(yī)院缺乏有經驗的眼底病醫(yī)師，影響疾病的早期診斷。因此，利用計算機數(shù)字圖像處理技術并結合人工智能算法在醫(yī)學影像技術上的應用可以極大消除影響數(shù)字影像成像的不利因素，并且可以快速準確地批量處理醫(yī)學圖像，對特發(fā)性黃斑裂孔的普查具有非常重要的意義。因此，探討計算機輔助處理OCT圖像診斷特發(fā)性黃斑裂孔具有臨床上的實際應用意義[5-6]。

鑒于此，本研究對OCT圖像進行人工智能學習，利用圖像處理和特征識別判斷技術，使計算機能夠智能分析并獲取正常人和特發(fā)性黃斑裂孔患者OCT圖像特征和區(qū)別，提出一種能夠實現(xiàn)智能區(qū)分正常人眼和特發(fā)性黃斑裂孔患眼的特征參數(shù)的方法[7]。最后，通過對OCT圖像特征智能參數(shù)的學習，給出合理的閾值，智能判斷出正常人和特發(fā)性黃斑裂孔患者，達到自動診斷的目的。

1 資料與方法

1.1 一般資料訓練數(shù)據(jù)來源：收集2018年5-8月在西安市第四醫(yī)院眼科診斷為特發(fā)性黃斑裂孔患者48例(48眼)，其中男20例(20眼)、女28例(28眼)，平均年齡55.0歲。另選取48人(48眼)正常眼底OCT圖像為對照組，其中男15例(15眼)、女33例(33眼)，平均年齡47.1歲。兩組年齡與性別差異均無統(tǒng)計學意義(均為P>0.05)。

測試數(shù)據(jù)來源：隨機對2018年9-12月西安市第四醫(yī)院眼科診斷為特發(fā)性黃斑裂孔患者73例和正常51人的OCT圖像進行測試。測試數(shù)據(jù)要求與訓練數(shù)據(jù)無重復及相關，用于算法的有效性進行驗證。

特發(fā)性黃斑裂孔患者入選標準：經眼底、三面鏡以及OCT檢查確診為特發(fā)性黃斑裂孔；排除標準：排除包括青光眼、高度近視、眼底疾病(如糖尿病視網膜病變、視神經病變)、眼外傷史、視網膜脫離、有明確繼發(fā)因素導致的繼發(fā)性黃斑裂孔[8-9]。

1.2 智能診斷方法本研究的核心算法是一種基于特征參數(shù)提取和智能門限選取的特發(fā)性黃斑裂孔自動診斷算法[10-11]，本算法主要是將機器學習過程和人工智能診斷過程進行了有機結合，機器學習的主要目的是獲得初始閾值，以便后續(xù)能夠進行閾值判斷，人工智能診斷主要是對未知結果OCT圖像進行圖像特征識別和特征算法提取，以便后續(xù)進一步處理。因此，人工智能診斷特發(fā)性黃斑裂孔的主要步驟有四步：(1)對OCT圖像進行預處理，最大程度減少不相干噪聲的影響；(2)機器學習過程獲取已診斷圖像的特征參數(shù)作為初始閾值；(3)人工智能診斷過程對提取圖像利用人工智能判別算法進行診斷；(4)智能反饋修正，對初始閾值進行修正，使其具有更好適應性的自我學習修正能力。

1.2.1 圖像預處理圖像預處理是只對原始視覺信息圖像進行一系列統(tǒng)一處理，使不同來源的圖像能夠在后續(xù)使用相同標準的檢測算法進行檢測，其優(yōu)點為能夠最大范圍地包容幾乎所有OCT圖像，極大擴展了算法的通用性和實用性。具體步驟：將原始圖像轉化為灰度圖像，對圖像進行降噪處理，對圖像進行邊緣提取，最后對圖像邊緣信息進行檢測并記錄。見圖1。

1.2.2 機器學習過程機器學習是人工智能領域的一個重要分支，該方法和傳統(tǒng)計算機程序最大的不同在于機器學習是一種讓計算機利用數(shù)據(jù)而不是指令來進行各種工作的方法。本算法主要利用機器學習過程中對于預處理圖像進行的一系列計算，進而得到后續(xù)所需要的判斷門限，即閾值。計算過程主要是分別輸入正常人和特發(fā)性黃斑裂孔患者的OCT預處理圖像，計算訓練樣本的圖像特征參數(shù)，根據(jù)特征參數(shù)計算初始閾值。

1.2.3 人工智能診斷過程輸入一張或多張待診斷的OCT圖像，計算機將對圖像進行初始化后利用圖像特征提取算法提取圖像特征參數(shù)，并將該參數(shù)與當前閾值進行比較，如果該圖像特征參數(shù)大于等于樣本閾值，則判定本圖像為特發(fā)性黃斑裂孔患者，且特征參數(shù)數(shù)值越大，可靠性越高，如果該圖像特征參數(shù)小于樣本閾值，則判定本圖像為正常人。

圖1 特發(fā)性黃斑裂孔患者OCT圖像預處理過程。A：原始OCT圖像；B：彩色OCT圖像轉化的灰度圖；C：高斯濾波后的OCT圖像；D：提取的OCT圖像邊緣

1.2.4 智能反饋修正過程每次對患者和正常人進行一次判別后，系統(tǒng)都會記錄下結果，并將結果反饋給機器學習過程，系統(tǒng)會根據(jù)最新輸入的結果對后續(xù)閾值進行自我學習和更新，使閾值更能匹配目前批次的樣本輸入。這樣的優(yōu)點是使不同樣本輸入時不會出現(xiàn)明顯的樣本斷層和閾值斷層，有利于程序的穩(wěn)定運行。

1.3 觀察項目計算待判斷圖像的特征參數(shù)，并與當前閾值進行比較，每當判斷完一次OCT圖像之后，根據(jù)當前OCT的結果更新閾值。

1.4 統(tǒng)計學方法采用SPSS 19.0統(tǒng)計軟件對人工智能判斷結果及眼科醫(yī)生判斷結果進行χ2檢驗。檢驗水準：α=0.05。

2 結果

經計算得到訓練樣本中正常人OCT圖像特征參數(shù)為9，特發(fā)性黃斑裂孔患者OCT圖像特征參數(shù)為23，初始閾值為16。124例隨機圖像中73例OCT特征參數(shù)最小值為16.8，最大值為27.5，平均值為23.4，特征參數(shù)均大于閾值，無明顯分布特征(圖2)；51例隨機圖像OCT特征參數(shù)最小值為2.8，最大值為14.7，平均值為8.3，特征參數(shù)均小于閾值，無明顯分布特征。經過比對，特征參數(shù)大于閾值的73例OCT圖像均為特發(fā)性黃斑裂孔，特征參數(shù)小于閾值的51例OCT圖像均為正常人。計算機判斷結果與眼科醫(yī)生判斷結果比較，差異無統(tǒng)計學意義(P=0.551)。

3 討論

根據(jù)報道，目前國際上Alphag的開發(fā)者The Google Brian Team(屬于Google的子公司Deepmind)展示了人工智能在糖尿病視網膜病變診斷中的應用成果，并發(fā)表在《美國醫(yī)學會雜志》(TheJournaloftheAmericanMedicalAssociation，JAMA)上，表明人工智能不但可以根據(jù)眼底圖像快速診斷出糖尿病視網膜病變，而且精度驚人，敏感度和特異度分別高達96.1%和93.9%；中山大學中山眼科中心劉奕志教授領銜中山大學聯(lián)合西安電子科技大學的研究團隊，利用深度學習算法建立了“CC-Cruiser先天性白內障AI平臺”，也取得了不錯的成績[1]。在可以預見的未來，人工智能技術的廣泛應用必然會對傳統(tǒng)人類社會的發(fā)展起到革命性的作用，并且社會效益和經濟效益非常巨大。

圖2 待測試OCT圖像提取的特征參數(shù)以及診斷結果

計算機視覺是人工智能的一個重要方向，模式識別和圖像處理作為計算機視覺中的重要組成部分，一直以來被寄予厚望。隨著近年來計算機科學和醫(yī)學影像診斷學的高速發(fā)展，人工智能在醫(yī)學領域的發(fā)展開始脫離紙上談兵并逐步具備一定的實用性。目前，國內對于特異性黃斑裂孔的人工智能診斷算法尚未見報道，本研究是將人工智能算法應用于特發(fā)性黃斑裂孔智能診斷的一種嘗試，處理過程充分融合了特發(fā)性黃斑裂孔診斷理論、OCT圖像分析過程、計算機圖像處理技術、人工智能算法等多學科研究成果，對OCT圖像進行有效特征參數(shù)提取，進而實現(xiàn)了人工智能診斷的全過程[12]，并給出了詳細的計算機算法理論推導過程、實現(xiàn)過程和實驗結果。從實驗結果來看，人工智能在準確性方面已經可以和臨床醫(yī)師相當，而且效率方面是遠遠超過人力效率；但是，計算機程序均具有比較明確的針對性，眼底疾病復雜而多樣，使得綜合解決大量眼科疾病的計算機程序合集仍需要一個相對漫長的積累過程。本程序及算法也是對人工智能算法在眼科學應用的一個大膽嘗試，雖然從研究結果來看取得了不錯的效果，但是本程序目前只能有效區(qū)分正常眼和特發(fā)性黃斑裂孔眼，距離眼科復雜疾病的綜合診斷仍需要后續(xù)不斷地創(chuàng)新積累。目前，人工智能在眼科學中的應用尚處在起步階段，需要通過大量數(shù)據(jù)和算法的積累驗證才能真正將這一具有顛覆性的前沿技術真正地用于臨床診療。因此，未來首先需要建立相當?shù)难劭茍D像數(shù)據(jù)庫和程序庫，針對不同眼病典型特征，建立不同的數(shù)據(jù)模型和算法模型，并利用人工智能算法進行深度學習，發(fā)掘不同癥狀或者病癥之間的關聯(lián)性。

由于條件所限，本研究中收集OCT圖像時間較為倉促，訓練數(shù)據(jù)和試驗數(shù)據(jù)較為有限，準確率存在一定的偏差，這也是接下來對目前人工智能診斷系統(tǒng)進行測試和調試的重要工作。樣本數(shù)較少也是人工智能面臨的普遍困難，需要收集整理更多的試驗樣本數(shù)據(jù)，搭建廣泛的數(shù)據(jù)平臺對系統(tǒng)進行充分性測試。目前，人工智能技術已經成為新一輪科技革命，我國從國家戰(zhàn)略層面也將人工智能技術提升至核心競爭戰(zhàn)略高度，未來一定會有更多更好的人工智能算法被創(chuàng)造出來。因此，建立豐富的眼病數(shù)據(jù)平臺，實現(xiàn)不同醫(yī)院和科研機構的數(shù)字資源共享，將我國龐大眼科患病人群及豐富眼病患者資源與人工智能技術充分整合，搶占眼科人工智能技術理論和實踐制高點是廣大眼科工作者和人工智能工程師未來重要的研究方向。