清华长庚医院联合鹰瞳Airdoc研发AI新算法识别黄斑变性

年龄相关性黄斑变性（age-related macular degeneration, AMD）是一种老年人常见的退行性眼病，是全球老年人致盲的主要原因。随着人口老龄化加剧，AMD患病率逐年上升，给人们的视力健康带来巨大威胁。AMD又可分为“湿性”和“干性”两类，其中湿性AMD，即新生血管性AMD对视力的危害性远大于干性AMD。湿性AMD以黄斑区脉络膜新生血管（choroidal neovascularization，CNV）为主要病理特征，如何自动识别CNV特征，对于后续的CNV量化和AMD情况的分析至关重要。 

近日，清华大学附属北京清华长庚医院（以下简称“清华长庚医院”）与鹰瞳Airdoc联合研发并验证了一种新的基于深度学习的新生血管分割模型，实现了在OCTA图像中自动、准确识别出CNV，且相比以往模型表现更为优异。相关研究成果在数据科学领域顶级期刊《Journal of Big Data》发表。

论文截图

AMD尤其影响黄斑区，可导致中心视力逐渐丧失、甚至不可逆转的失明，给患者的日常生活以及医疗资源带来巨大负担。光相干断层扫描血管成像（optical coherence tomography angiography，OCTA）是AMD诊断中最常用的手段之一。它是一种非侵入性的成像技术，可以提供高分辨率的血管影像来呈现黄斑区域的血管异常，包括湿性AMD患者的CNV。

既往研究采用了机器学习方法从OCTA图像中自动分割CNV，他们采取显著性图来检测CNV的存在，使用基于强度、方向和位置的显著性检测模型来克服诸如伪影干扰和CNV异质性等问题。

然而，这种方法在很大程度上依赖于OCTA图像的质量，当CNV血流信号高于背景噪声和运动伪影时该方法表现良好；而当CNV血流与背景噪声相似时、该方法容易将背景噪声和伪影错误地识别为CNV，这一缺陷导致了大量的假阳性。

该研究收集了来自清华长庚医院69名患者的OCTA图像，包括54张脉络膜毛细血管图像和62张视网膜外层图像，并由视网膜专家在OCTA图像中标注CNV区域作为金标准。

在模型研发阶段，研究人员基于深度学习的U-net分割模型并做出了两个关键改进。首先，使用ResNeSt块作为模型骨干网络，通过组卷积和分离注意机制更好地学习CNV特征；其次，融入了空间金字塔池化模块，基于不同的感受野使模型能够提取不同尺度上的上下文信息，以精准分割不同尺寸的CNV，从而进一步提高模型的分割性能。

基于深度学习的CNV分割模型框架

研究结果显示，该CNV分割模型的曲线下面积（AUC）为0.9476（95％ CI 0.9473–0.9479），特异度和敏感度分别为0.9950（95％ CI 0.9945–0.9955）、0.7271（95％ CI 0.7265–0.7277）。

研究人员还将该模型与传统的基于显著性的分割模型和深度学习分割模型U-net进行比较，发现该模型比传统的基于显著性的分割模型和深度学习模型U-net展现出更为优异的分割性能。

不同分割算法的分割性能对比显示，该模型表现更为优异

从分割可视化图也可以观察到，传统的基于显著性的分割模型倾向于将一些背景噪声和伪影判断为CNV，因此有一些假阳性。此外，对于一些小的CNV和低对比度及模糊的CNV，传统方法也会造成漏检。

不同分割算法的分割结果可视化图

综上所述，基于深度学习的CNV分割模型可以自动、精准地从OCTA图像中识别出新生血管，该模型泛化性能好，能够适用于多种检测场景，根据识别出的新生血管未来可以做进一步的量化。

清华大学精准医学研究院段美含博士与鹰瞳Airdoc工程师为研究共同第一作者；清华长庚医院眼科主任胡运韬教授为研究通讯作者。

论文链接:https://doi.org/10.1186/s40537-023-00757-w

*Feng, W., Duan, M., Wang, B. et al. Automated segmentation of choroidal neovascularization on optical coherence tomography angiography images of neovascular age-related macular degeneration patients based on deep learning. J Big Data 10, 111 (2023).