蔣維艷,顏瑜琳,程思敏,楊燕寧

0 引言

青光眼是全球第二大失明原因,也是不可逆性失明的首要原因[1]。原發(fā)性閉角型青光眼(primary angle-closure glaucoma,PACG)占全球雙側(cè)青光眼盲的50%。到2040年,全球PACG患者的數(shù)量將比2013年增加58.4%,達(dá)到3200萬人[2-4]。PACG是眼部解剖結(jié)構(gòu)異常導(dǎo)致房角結(jié)構(gòu)狹窄,前房角關(guān)閉,房水流出受阻,眼壓持續(xù)升高所致[5]。此外,PACG通常表現(xiàn)為急性,患者大多無癥狀,直到房角關(guān)閉發(fā)作。因此,早期發(fā)現(xiàn)房角關(guān)閉是防止永久性視力喪失的有效措施[6]。傳統(tǒng)的房角關(guān)閉生物風(fēng)險(xiǎn)因素主要包括女性、中國人、短眼軸、淺前房以及大且厚的晶狀體[7];最近研究證明,周邊虹膜增厚、虹膜向前膨隆會(huì)增加房角閉合的風(fēng)險(xiǎn)[8-11]。因此,觀察前房角(anterior chamber angle,ACA)解剖形態(tài)對于檢測房角關(guān)閉和評估關(guān)閉風(fēng)險(xiǎn)至關(guān)重要[12]。ACA評估的參考臨床標(biāo)準(zhǔn)是房角鏡檢查,但房角鏡檢查是主觀的、定性的、可重復(fù)性低,取決于檢查醫(yī)生的臨床經(jīng)驗(yàn)[13]。前房角鏡等檢查方法的主觀性導(dǎo)致了對客觀成像方法的探索,超聲生物顯微鏡(ultrasound biomicroscopy,UBM)具有較高的分辨率[14],也是目前能夠顯示虹膜后結(jié)構(gòu)形態(tài)和進(jìn)行定量測量的眼前節(jié)影像學(xué)手段之一[15-16]。但是,鑒于臨床UBM檢查基數(shù)大,UBM圖像評估需要經(jīng)驗(yàn)豐富的醫(yī)生且判斷結(jié)果主觀性高、耗時(shí)長,提高UBM圖像在PACG中的診斷效率和準(zhǔn)確度,減輕醫(yī)療負(fù)擔(dān)是目前需要解決的問題。

近年來,人工智能(artificial intelligence,AI)在眼科領(lǐng)域迅速發(fā)展,包括糖尿病視網(wǎng)膜病變、年齡相關(guān)性黃斑變性、青光眼和早產(chǎn)兒視網(wǎng)膜病變[17-19];最近,有研究報(bào)道了基于人工智能的房角開閉狀態(tài)的自動(dòng)檢測和鞏膜突的自動(dòng)定位系統(tǒng)的開發(fā)[20-21]。然而,為了減少ACA組織的標(biāo)記和自動(dòng)分割的難度,既往研究中角膜、鞏膜、虹膜和睫狀體在UBM圖像中經(jīng)常被標(biāo)記為一個(gè)類別;對ACA組織區(qū)域進(jìn)行細(xì)致自動(dòng)分割的模型較少,在UBM圖像中測量ACA相關(guān)參數(shù)的研究較少。因此,本研究基于UBM圖像,通過卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNNs)深度學(xué)習(xí)建立自動(dòng)識別分割結(jié)膜、鞏膜及角鞏緣區(qū)域、虹膜區(qū)域、睫狀體區(qū)域,自動(dòng)識別房角開閉狀態(tài),建立不依賴于人為標(biāo)記的全自動(dòng)鞏膜突定位和自動(dòng)測量ACA參數(shù)系統(tǒng),旨在探索出能夠快速、準(zhǔn)確地測量和評估UBM圖像的方法,以減輕社會(huì)和醫(yī)療負(fù)擔(dān),為PACG的早期診斷提供依據(jù)。

1 資料和方法

1.1 資料

1.1.1UBM圖像收集采用診斷試驗(yàn)性研究方法,回顧性收集2021-01/2022-06于武漢大學(xué)人民醫(yī)院眼科中心應(yīng)用眼科超聲顯微鏡(SW-2100,天津索維公司)進(jìn)行檢查的眼科UBM圖像以及受試者的年齡、性別、臨床診斷。眼科超聲顯微鏡檢查包括全景模式(超聲探頭頻率為35MHz,掃描范圍15.25mm×9.50mm)、半景模式(超聲探頭頻率為50MHz,掃描范圍9.75mm×6.00mm),所有圖像均由同一位工作經(jīng)驗(yàn)20a以上的資深眼科技師采集,操作時(shí)嚴(yán)格按照規(guī)范進(jìn)行檢測,收集的圖像均為BMP格式,1.91Mb以上,1024×655像素。本研究經(jīng)武漢大學(xué)人民醫(yī)院倫理委員會(huì)審核通過(No.WDRY-2022-K109),所有操作均遵循《赫爾辛基宣言》。由于本研究是一項(xiàng)回顧性研究,并使用脫敏UBM圖像,因此無需受試者知情同意。

1.1.2UBM圖像篩選及分類收集的圖像均由專業(yè)眼科醫(yī)生進(jìn)行篩選,剔除ACA組織顯影不清晰,偽影,虹膜變形延長,虹膜根部離斷、虹膜萎縮、藥物性瞳孔散大等不合格圖像,最終獲得受試者675名1130眼的UBM圖像4196張,其中閉角(前房角關(guān)閉)圖像1724張,非閉角(前房角開放或前房角狹窄)圖像2472張,每張圖像僅包含一側(cè)前房角,按照 3∶1的比例隨機(jī)設(shè)置訓(xùn)練集和測試集。另選取黃石愛爾眼科醫(yī)院的受試者127名221眼的UBM圖像631張做外部數(shù)據(jù)集(一)(眼科超聲顯微鏡,SW-3200,天津索維公司),武漢大學(xué)中南醫(yī)院的受試者188名257眼的UBM圖像594張做外部數(shù)據(jù)集(二)(眼科超聲顯微鏡,SW-2100,天津索維公司),評估該系統(tǒng)在不同環(huán)境下的性能,不同數(shù)據(jù)集分類數(shù)據(jù)見表1、2。

表1 收集數(shù)據(jù)基線信息

表2 收集數(shù)據(jù)數(shù)量及分布 張

1.2 方法

1.2.1UBM圖像的標(biāo)記每幅圖像初始均由2名3a以上臨床工作經(jīng)驗(yàn)的眼科醫(yī)師手動(dòng)獨(dú)立標(biāo)記,利用VCG IMAGE Annotator圖像標(biāo)記軟件(版本號2.0.0),根據(jù)ACA解剖形態(tài)學(xué)關(guān)系以及各組織在UBM圖像中的表現(xiàn)[22-23],標(biāo)記結(jié)膜、鞏膜及角鞏緣區(qū)域、虹膜區(qū)域、睫狀體區(qū)域(圖1)、鞏膜突(圖2),以標(biāo)記位置的平均值作為參考標(biāo)準(zhǔn),由第3位更高年資的眼科醫(yī)師進(jìn)行檢查并校正。此外,每幅圖像初始均由2名3a以上臨床工作經(jīng)驗(yàn)的眼科醫(yī)師標(biāo)記房角開閉狀態(tài)(閉角或非閉角),若虹膜接觸小梁網(wǎng),則定義為前房角關(guān)閉[5],標(biāo)記結(jié)果出現(xiàn)分歧時(shí)由第3位更高年資的眼科醫(yī)師判定,獲得最終的標(biāo)記結(jié)果。

圖1 人工標(biāo)記的ACA結(jié)構(gòu)UBM圖像 A～D:非閉角圖像;E～H:閉角圖像。A、E為原始圖像;B、F黃框內(nèi)為標(biāo)記的結(jié)膜、鞏膜、角鞏膜緣區(qū)域;C、G黃框內(nèi)為標(biāo)記的虹膜區(qū)域;D、H黃框內(nèi)為標(biāo)記的睫狀體區(qū)域。

圖2 人工標(biāo)記的鞏膜突位置 A:閉角圖像;B:非閉角圖像。紅色箭頭指向的黃色圓圈示人工標(biāo)記的鞏膜突位置。

1.2.2 深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型的建立

1.2.2.1UBM圖像大小識別及建立分割模型眼科超聲顯微鏡具有兩種成像模式,即全景模式和半景模式。為實(shí)現(xiàn)模型在不同成像模式下的適用性,編寫Python圖像處理程序,自動(dòng)識別UBM圖像下方固定坐標(biāo)軸固定坐標(biāo)值(0.25mm)的像素值,并自動(dòng)將所有后續(xù)參數(shù)從像素值轉(zhuǎn)換為數(shù)值(圖3);采用Unet++模型[24-25]分割結(jié)膜、鞏膜及角鞏緣區(qū)域、虹膜區(qū)域、睫狀體區(qū)域。

圖3 UBM圖像大小轉(zhuǎn)換示意圖 A:半景模式圖像,每一小格的坐標(biāo)值為0.25mm,代表26px;B:全景模式圖像,每一小格的坐標(biāo)值為0.25mm,代表16px;C、D:模型識別示意圖,模型自動(dòng)識別下方固定坐標(biāo)軸固定坐標(biāo)值(0.25mm)并自動(dòng)識別計(jì)算坐標(biāo)值對應(yīng)像素值大小(黃色雙箭頭長度所占的像素值),將圖像自動(dòng)分為半景模式圖像(C:像素值為26px)或全景模式圖像(D:像素值為16px)。

1.2.2.2房角開閉狀態(tài)的分類既往研究采用多種算法構(gòu)建房角分類模型,通過支持向量機(jī)(support vector machine,SVM)算法構(gòu)建的模型預(yù)測性能最優(yōu)[26-28],本研究通過測試集評估模型性能。

1.2.2.3鞏膜突的自動(dòng)定位通過編寫Python圖像處理程序,依據(jù)上述鞏膜突的解剖位置以及解剖形態(tài)學(xué)關(guān)系,以睫狀體止點(diǎn)及止點(diǎn)處鞏膜向角膜移行500μm的范圍內(nèi)標(biāo)定鞏膜相對最厚處為深度學(xué)習(xí)模型定位鞏膜突(deep learning located scleral spur,DLLSS)。

1.2.2.4ACA參數(shù)的量化(1)ACA角度參數(shù):用于定量評估UBM圖像中ACA的角度參數(shù)包括小梁虹膜夾角(trabecular-iris angle,TIA)、房角開放距離(angle-opening distance,AOD)、房角隱窩面積(angle recess area,ARA)、虹膜小梁間隙(trabecular iris space area,TISA)。UBM圖像分析中,基于500、750μm前鞏膜突的角度參數(shù)測量已廣泛用于臨床實(shí)踐[29-30]。通過編寫Python圖像處理程序,基于2個(gè)半徑的圓,確定圓與角膜內(nèi)表面的交點(diǎn),通過垂直于角膜內(nèi)表面的交點(diǎn)畫一條直線,確定交于虹膜前表面的交點(diǎn),自動(dòng)計(jì)算ACA角度參數(shù)。(2)ACA厚度參數(shù):用于定量評估UBM圖像中ACA厚度的主要參數(shù)包括虹膜周邊部、中周部、中央部平均厚度、鞏膜突前500μm處虹膜厚度及角膜厚度[30-31]。本研究尚未對角鞏緣處結(jié)膜、鞏膜、角膜進(jìn)行進(jìn)一步分割識別,為避免結(jié)膜及角鞏膜緣不定性組織對角膜厚度測量的干擾,模型以鞏膜突前500μm處角膜,即透明角膜作為測量指標(biāo)。通過編寫Python圖像處理程序,基于虹膜長度將虹膜分為三等分,計(jì)算每一部分平均厚度,并基于半徑500μm的圓,確定圓與角膜內(nèi)表面及虹膜前表面的交點(diǎn),通過垂直于兩交點(diǎn)畫兩條直線,確定交于角膜外表面和虹膜后表面的交點(diǎn),自動(dòng)計(jì)算ACA厚度參數(shù)。

1.2.3 模型訓(xùn)練流程通過深度卷積網(wǎng)絡(luò)(deep convolutional neural network,DCNN)1、DCNN2、DCNN3將UBM圖像中結(jié)膜、鞏膜及角鞏緣區(qū)域、虹膜區(qū)域、睫狀體區(qū)域分別進(jìn)行分割,SVM將分割后的UBM圖像分類為閉角和非閉角,識別為閉角和非閉角的UBM圖像;通過Python圖像處理程序自動(dòng)定位鞏膜突,并計(jì)算ACA參數(shù)(圖4)。計(jì)算機(jī)算法使用Python(3.6.5版)編寫,開源Keras庫(2.2.5版)和Tensor Flow庫(1.12.2版)作為后端,使用具有1個(gè)NVIDIA Geforce RTX 2080(GPU內(nèi)存8GB)的服務(wù)器訓(xùn)練模型。

圖4 模型訓(xùn)練流程圖。

1.2.4 模型性能評估采用內(nèi)部測試數(shù)據(jù)集(武漢大學(xué)人民醫(yī)院)、外部數(shù)據(jù)集(一)(黃石愛爾眼科醫(yī)院)、武外部數(shù)據(jù)集(二)(武漢大學(xué)中南醫(yī)院)對該模型的性能進(jìn)行評價(jià)。

統(tǒng)計(jì)學(xué)分析:采用SPSS 25.0統(tǒng)計(jì)學(xué)軟件進(jìn)行統(tǒng)計(jì)分析。采用交并比(mean intersection over union,mIoU)和mean Dice (mDice)系數(shù)評估分割模型性能。將模型用于測試集圖像診斷,采用準(zhǔn)確度、靈敏度、特異度、陽性預(yù)測值(positive predictive value,PPV)、陰性預(yù)測值(negative predictive value,NPV)、受試者工作特征(receiver operating characteristic curve,ROC)曲線及曲線下面積(area under curve,AUC)評估房角開閉狀態(tài)分類模型的性能。計(jì)算DLLSS和人工標(biāo)記鞏膜突(manually plotted scleral spur,MPSS)之間的歐氏距離(Euclid distance,ED)評估鞏膜突定位模型的性能,并采用Kruskal-WallisH檢驗(yàn)評估各數(shù)據(jù)集間鞏膜突定位誤差的差異。以MPSS測量結(jié)果為參考標(biāo)準(zhǔn),計(jì)算以DLLSS與MPSS測量的ACA參數(shù)的平均相對誤差(average relative error,ARE)、組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficient,ICC)及一致性限度(limits of agreement,LoA)評估MPSS與DLLSS之間ACA參數(shù)測量的一致性。通過線性回歸評估鞏膜突定位誤差對ACA參數(shù)測量的影響。以P<0.05表示差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 分割模型性能評估計(jì)算機(jī)模型DCNN1、DCNN2、DCNN3對內(nèi)部測試集中412張圖像進(jìn)行結(jié)膜、鞏膜及角鞏緣區(qū)域、虹膜區(qū)域、睫狀體區(qū)域的標(biāo)記結(jié)果與人工標(biāo)記結(jié)果幾乎相同(表3)。

表3 分割模型性能

2.2 房角開閉狀態(tài)分類模型性能評估計(jì)算機(jī)SVM模型對房角開閉狀態(tài)識別,內(nèi)部測試集的準(zhǔn)確度為95.71%,靈敏度為96.13%,特異度為98.38%,PPV為97.54%,NPV為94.70%;外部數(shù)據(jù)集(一)的準(zhǔn)確度為92.76%,靈敏度為82.02%,特異度為98.94%,PPV為97.80%,NPV為90.53%;外部數(shù)據(jù)集(二)的準(zhǔn)確度為95.40%,靈敏度為87.67%,特異度為99.75%,PPV為99.50%,NPV為93.50%,混淆矩陣見圖5。內(nèi)部測試集、外部數(shù)據(jù)集(一)、外部數(shù)據(jù)集(二)的AUC分別為0.98、0.99、0.98,ROC曲線見圖6。

圖5 房角開閉狀態(tài)分類模型在各測試集中的混淆矩陣 A:內(nèi)部測試集;B:外部數(shù)據(jù)集(一);C:外部數(shù)據(jù)集(二)。

圖6 房角開閉狀態(tài)分類模型在各數(shù)據(jù)集中的ROC曲線 紅色曲線為內(nèi)部測試集結(jié)果;藍(lán)色曲線為外部數(shù)據(jù)集(一)結(jié)果;綠色曲線為外部數(shù)據(jù)集(二)結(jié)果。

2.3 鞏膜突定位模型性能評估以MPSS的坐標(biāo)作為參考標(biāo)準(zhǔn),MPSS與DLLSS之間的歐氏距離及其分布情況見表4。不同數(shù)據(jù)集鞏膜突定位誤差比較,差異有統(tǒng)計(jì)學(xué)意義(H=93.040,P<0.001);不同閉角數(shù)據(jù)集鞏膜突定位誤差兩兩比較,差異均無統(tǒng)計(jì)學(xué)意義(P>0.05),不同非閉角數(shù)據(jù)集鞏膜突定位誤差兩兩比較,部分差異有統(tǒng)計(jì)學(xué)意義(P<0.05),不同閉角和非閉角數(shù)據(jù)集鞏膜突定位誤差兩兩比較,部分差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。不同歐式距離的代表性圖像見圖7。

表4 不同數(shù)據(jù)集MPSS與DLLSS之間的歐氏距離及其分布情況

圖7 MPSS與DLLSS之間不同歐氏距離的代表性UBM圖像 A:非閉角圖像;B:閉角圖像。紅色圓點(diǎn)代表人工標(biāo)記的鞏膜突位置;黃色圓點(diǎn)代表深度學(xué)習(xí)系統(tǒng)自動(dòng)定位的鞏膜突位置;dis表示歐氏距離。

2.4 非閉角圖像ACA角度參數(shù)的量化評估各非閉角數(shù)據(jù)集圖像ACA角度參數(shù)的量化中,MPSS與DLLSS的角度測量值之間的誤差較小,模型對TIA、AOD、ARA、TISA等ACA角度參數(shù)的自動(dòng)測量與人工測量的吻合度高。內(nèi)部測試集中,ACA角度參數(shù)測量值的ICC均大于0.960,TIA、TISA測量值的ICC均大于0.980;外部數(shù)據(jù)集也展現(xiàn)了相似的高吻合度,見表5。不同ACA角度寬度下鞏膜突前500μm處ACA角度參數(shù)的測量結(jié)果見圖8。

表5 MPSS與DLLSS之間ACA角度參數(shù)測量的一致性分析

2.5ACA厚度參數(shù)的量化評估各數(shù)據(jù)集ACA厚度參數(shù)的量化中,模型對IT500、Thick-cor等ACA厚度參數(shù)的自動(dòng)測量與人工測量的吻合度高。內(nèi)部測試集中,除內(nèi)部閉角測試集圖像IT500的測量值ICC為0.884,余內(nèi)部測試集中,ACA厚度參數(shù)測量值的ICC均大于等于0.925;各外部數(shù)據(jù)集也展現(xiàn)了相似的高吻合度,見表6。不同房角開閉狀態(tài)下ACA厚度參數(shù)的測量結(jié)果見圖9。

圖9 不同房角開閉狀態(tài)下ACA厚度參數(shù)的測量結(jié)果 A、B:非閉角的UBM圖像的測量結(jié)果;C、D:閉角的UBM圖像的測量結(jié)果。Thick cor:距鞏膜突500μm處角膜厚度,即AG長度;IT500:距鞏膜突前500μm處虹膜厚度,即FH長度;IT1:虹膜周邊部平均厚度;IT2:虹膜中周部平均厚度;IT3:虹膜中央部平均厚度;點(diǎn)O為鞏膜突的位置;紅色圓圈代表以點(diǎn)O為圓心,半徑為500μm的圓;點(diǎn)A為圓與角膜內(nèi)表面的交點(diǎn);點(diǎn)G為過點(diǎn)A垂直于角膜外表面的直線與角膜外表面的交點(diǎn);點(diǎn)F為圓與虹膜前表面的交點(diǎn);點(diǎn)H為過點(diǎn)F垂直于虹膜后表面的直線與虹膜后表面的交點(diǎn);紅色實(shí)心圓點(diǎn)將虹膜分為周邊部、中周部、中央部三等分。

表6 MPSS與DLLSS之間ACA厚度參數(shù)測量的一致性分析

2.6 鞏膜突的定位誤差對ACA參數(shù)測量的影響線性回歸分析顯示,鞏膜突的定位誤差與ACA參數(shù)的絕對誤差呈正線性相關(guān)。內(nèi)部測試集中,TIA750與ARA750的測量值誤差受鞏膜突定位誤差的影響最大,決定系數(shù)(R2)分別為0.286、0.286,TISA500、AOD500的測量值誤差受鞏膜突定位誤差的影響最小,R2分別為0.063、0.061;內(nèi)部測試集中,ACA厚度參數(shù)測量值的誤差受鞏膜突自動(dòng)定位誤差的影響小,R2均小于0.100;外部測試集中存在相似的相關(guān)性,見表7、8。

表7 鞏膜突的位置變化與ACA角度參數(shù)變化的線性回歸分析

表8 鞏膜突的位置變化與ACA厚度參數(shù)變化的線性回歸分析

3 討論

目前,國際上也有一些研究進(jìn)行ACA自動(dòng)評估系統(tǒng)的開發(fā),如UBM Pro(美國,Paradigm Medical公司)一個(gè)基于UBM 圖像的ACA量化程序[32];Lin等[33]開發(fā)了基于UBM圖像測量角度參數(shù)和虹膜參數(shù)的軟件。這些半自動(dòng)化的方法均不可避免地存在操作者的主觀性,不同的操作者可以使用不同的標(biāo)準(zhǔn)定位參考點(diǎn),且即使在相同的定位標(biāo)準(zhǔn)下,由于圖像分辨率和對比度的限制,也會(huì)出現(xiàn)一些定位誤差。本研究開發(fā)并評估了一種使用深度學(xué)習(xí)算法的系統(tǒng)用于ACA的自動(dòng)評估。結(jié)果表明,該人工智能系統(tǒng)可自動(dòng)識別、分割UBM圖像中結(jié)膜、鞏膜及角鞏緣區(qū)域、虹膜區(qū)域、睫狀體區(qū)域,模型訓(xùn)練效果較好;模型自動(dòng)識別分割A(yù)CA組織區(qū)域具有相當(dāng)高的準(zhǔn)確性;同時(shí),該系統(tǒng)能夠?qū)BM圖像自動(dòng)分類為閉角(虹膜小梁接觸)和非閉角圖像,并自動(dòng)定位鞏膜突以及自動(dòng)測量ACA參數(shù)。本研究構(gòu)建的基于深度學(xué)習(xí)算法的ACA自動(dòng)評估系統(tǒng)是完全自動(dòng)化的,無需任何手動(dòng)干預(yù)。這種ACA自動(dòng)評估系統(tǒng)有助于推動(dòng)原發(fā)性房角關(guān)閉性疾病(primary angle-closure disease,PACD)智能診斷系統(tǒng)的發(fā)展,并拓寬UBM成像在PACD的臨床護(hù)理和科學(xué)研究中的應(yīng)用。

本研究開發(fā)的房角開閉狀態(tài)分類模型,以人工標(biāo)記的分類結(jié)果為參考標(biāo)準(zhǔn),在內(nèi)部測試集中準(zhǔn)確度為95.71%,靈敏度為96.13%,AUC為0.98,并在不同醫(yī)院的UBM設(shè)備展示了相似的準(zhǔn)確度(92.76%、95.40%)。既往研究中,Wang等[20]開發(fā)的模型對UBM圖像進(jìn)行閉角和非閉角分類的準(zhǔn)確度為98.18%,靈敏度為98.74%;Li等[34]報(bào)道的模型可以實(shí)現(xiàn)對眼前節(jié)光相干斷層掃描(anterior segment optical coherence tomography,AS-OCT)圖像的高精度分類,將圖像分為房角關(guān)閉、房角狹窄、房角開放,總體靈敏

度為0.989。與上述系統(tǒng)相比,本研究構(gòu)建的深度學(xué)習(xí)系統(tǒng)表現(xiàn)出相似的分類性能。

本研究開發(fā)的自動(dòng)鞏膜突定位模型,在內(nèi)部非閉角測試集中,92.43%的ED≤150μm;在內(nèi)部閉角測試集中,78.81%的ED≤150μm,且在不同醫(yī)院的UBM設(shè)備上具有相似的定位能力。既往研究中,Wang等[35]報(bào)道了在UBM非閉角圖像中MPSS與DLLSS之間的平均ED為60.41±49.02 μm,96.12%的圖像的ED小于150μm;Xu等[21]報(bào)道自動(dòng)鞏膜突定位模型在閉角和非閉角的AS-OCT圖像中,97.18%的圖像的ED小于200μm。既往研究對UBM圖像及AS-OCT圖像的自動(dòng)鞏膜突定位模型建立均基于算法對人工標(biāo)記鞏膜突的學(xué)習(xí),本研究開發(fā)的自動(dòng)鞏膜突定位模型不依賴于對人工標(biāo)記鞏膜突的學(xué)習(xí),而是在對ACA組織自動(dòng)分割識別后,基于鞏膜突的解剖位置以及解剖形態(tài)學(xué)關(guān)系利用Python程序自動(dòng)定位鞏膜突。盡管本模型對于定位非閉角圖像鞏膜突的性能優(yōu)于閉角圖像,但結(jié)果與上述既往研究結(jié)果基本一致,分析原因可能是由于ACA閉合時(shí)虹膜和鞏膜相貼附或相黏連,虹膜和鞏膜在UBM圖像上邊界模糊不清。因此,未來仍需納入更大樣本量訓(xùn)練模型以及提高UBM成像的分辨率來改善目前的不足。

本研究發(fā)現(xiàn),內(nèi)部非閉角測試集圖像ACA角度參數(shù)測量值的ICC均超過0.960,TIA、TISA測量值的ICC均大于0.980;內(nèi)部測試集中,除內(nèi)部閉角測試集圖像IT500的測量值ICC為0.884,余內(nèi)部測試集中,ACA厚度參數(shù)測量值的ICC均大于等于0.925。Wang等[20]描述了使用UBM圖像對ACA參數(shù)的自動(dòng)測量,并報(bào)道TIA、AOD和ARA的ICC均超過0.935。Li等[36]實(shí)現(xiàn)了TIA的自動(dòng)測量,ICC為0.95,變異系數(shù)(coefficient of variation,CV)為6.8%,重現(xiàn)性為6.1度。與上述研究相比,本研究構(gòu)建的基于深度學(xué)習(xí)算法的模型與人工測量結(jié)果取得了更好的一致性,且該模型在不同的UBM機(jī)器上也展現(xiàn)了良好的一致性。

ACA參數(shù)的精確測量很大程度上取決于鞏膜突的精準(zhǔn)定位。本研究各數(shù)據(jù)集UBM圖像中鞏膜突的定位誤差與ACA參數(shù)絕對誤差的線性回歸分析顯示二者呈正線性相關(guān)。鞏膜突自動(dòng)定位的誤差在一定程度上解釋了ACA參數(shù)自動(dòng)測量的差異。在內(nèi)部測試集中,ARA500、ARA750的測量誤差受鞏膜突定位誤差的影響大(R2=0.219、0.286,均P<0.0001),TISA500、TISA750的測量誤差受鞏膜突定位誤差的影響小(R2=0.063、0.128,均P<0.0001);這可以通過ARA與TISA的定義解釋,ARA代表房角隱窩間的面積,包含房角隱窩頂點(diǎn)與鞏膜突之間圍成面積,鞏膜突定位誤差越大,此部分面積誤差也會(huì)越大,而TISA代表小梁網(wǎng)虹膜間的面積,不包含房角隱窩頂點(diǎn)與鞏膜突之間圍成面積,這可能是ARA更易受鞏膜突定位誤差影響的原因之一。ACA厚度參數(shù)測量誤差受鞏膜突定位誤差的影響小(均R2<0.1,均P<0.05),這可能與AOD、TIA的R2較小的原因相同。既往研究報(bào)道,不平整的虹膜表面對距離及角度的測量影響較小,但對面積測量的影響較大[20],這也與本研究結(jié)果一致。

本研究開發(fā)的深度學(xué)習(xí)系統(tǒng)可以自動(dòng)檢測UBM圖像中的房角開閉狀態(tài)和自動(dòng)定量測量ACA參數(shù)。使用UBM成像和該系統(tǒng)可以幫助篩查PACG高危人群,從而通過干預(yù)措施防止視力喪失。該系統(tǒng)還可以動(dòng)態(tài)測量患者的ACA參數(shù),并檢測ACA參數(shù)的變化趨勢;通過該系統(tǒng)自動(dòng)測量治療前后的ACA參數(shù),能夠幫助臨床醫(yī)生評估治療效果。由于在欠發(fā)達(dá)地區(qū)患者獲得具有豐富臨床經(jīng)驗(yàn)的UBM專家的機(jī)會(huì)有限,該系統(tǒng)還可以與遠(yuǎn)程醫(yī)療結(jié)合,以幫助決定是否需要轉(zhuǎn)診并進(jìn)一步接受評估和治療。但本研究存在一定的局限性:(1)由于模型訓(xùn)練的所有UBM圖像均來自同一臺UBM設(shè)備,盡管在本研究中模型在不同醫(yī)院的UBM設(shè)備所采集的圖像具有良好的檢測效果,但不同醫(yī)院的UBM設(shè)備之間仍存在差異。(2)由于UBM圖像標(biāo)記過程是主觀的,因此在標(biāo)記過程中可能會(huì)引入人為錯(cuò)誤。當(dāng)深度學(xué)習(xí)模型根據(jù)眼科醫(yī)生的標(biāo)記結(jié)果進(jìn)行學(xué)習(xí)時(shí),不可避免地學(xué)習(xí)人為錯(cuò)誤。有研究發(fā)現(xiàn),隨著注釋專家數(shù)量的增加,注釋結(jié)果的客觀性也會(huì)增加,誤差將更趨近于0[37]。(3)盡管本研究初步實(shí)現(xiàn)了對ACA結(jié)構(gòu)的識別分割、房角開閉狀態(tài)的判斷及ACA參數(shù)的測量,但并沒有通過深度學(xué)習(xí)系統(tǒng)對房角關(guān)閉機(jī)制進(jìn)行分類,本研究團(tuán)隊(duì)目前正在開發(fā)基于解剖形態(tài)學(xué)角度對于PACG房角關(guān)閉機(jī)制進(jìn)行可解釋性分類,以期能夠開發(fā)可用于臨床推廣的PACG智能輔助模型。

綜上所述,本研究構(gòu)建的基于眼科UBM圖像的ACA自動(dòng)評估及鞏膜突自動(dòng)定位系統(tǒng)實(shí)現(xiàn)了可靠的、可重復(fù)的房角開閉狀態(tài)自動(dòng)檢測及ACA參數(shù)的自動(dòng)測量,能夠輔助臨床醫(yī)師更快、更好地對檢查結(jié)果進(jìn)行分析,為診斷提供較可靠的依據(jù),為實(shí)現(xiàn)青光眼患者ACA的定量測量提供支持,具有重要價(jià)值,且具有一定程度的普適性。未來仍需進(jìn)一步開發(fā)更加完善的PACG智能輔助系統(tǒng),以期廣泛應(yīng)用于臨床。