王若羽,李王婷,張少?zèng)_,楊衛(wèi)華

0 引言

糖尿病視網(wǎng)膜病變(DR)是糖尿病影響視網(wǎng)膜的并發(fā)癥,對(duì)患者的視力構(gòu)成重大威脅[1]。2015年,全世界約4.15億人被診斷患有糖尿病,到2040年預(yù)計(jì)將增加至6.42億[2]。據(jù)估計(jì),全球超過1/3的糖尿病患者患有DR,約1/10的糖尿病患者患有威脅視力的DR,包括增殖性DR和糖尿病性黃斑水腫[3]。多數(shù)糖尿病患者如果通過早期篩查及時(shí)發(fā)現(xiàn)DR,給予系統(tǒng)全面的眼科檢查和治療,可避免永久性視力喪失。然而,傳統(tǒng)的篩查或診斷方法需要專業(yè)的眼底專科醫(yī)生指導(dǎo),篩查過程耗時(shí)、費(fèi)力、昂貴,且仍存在資源缺乏的問題。因此,大規(guī)模的DR早期篩查仍然是一項(xiàng)重大挑戰(zhàn)。

隨著人工智能(AI)的出現(xiàn)和不斷發(fā)展,其在醫(yī)療保健領(lǐng)域的整合,包括眼科重大疾病的篩查,成為一個(gè)研究熱點(diǎn)。AI是指利用計(jì)算機(jī)在很少或沒有人為干預(yù)的情況下模擬智能行為,這是一個(gè)廣義的術(shù)語[4]。AI技術(shù)涉及多個(gè)方面,包括傳統(tǒng)的機(jī)器學(xué)習(xí)(ML)和深度學(xué)習(xí)(DL)[5]。針對(duì)DR的輔助診斷,在傳統(tǒng)ML階段,AI可以通過特征提取,定位視網(wǎng)膜圖像上的病變,即根據(jù)成像生物標(biāo)志物,包括微動(dòng)脈瘤、硬性滲出、棉絮斑、黃斑水腫等,對(duì)DR進(jìn)行診斷和分級(jí)。隨著使用多層次、多神經(jīng)元學(xué)習(xí)算法的DL的出現(xiàn),構(gòu)建了多個(gè)使用DL進(jìn)行DR篩選的系統(tǒng),較傳統(tǒng)ML具有更高的特異性和敏感性[6-7]。隨著AI技術(shù)的不斷發(fā)展,越來越多的AI研究將知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)相結(jié)合,這在DR研究中也有所體現(xiàn)[8]。AI在DR篩查中的整合將顯著提高診斷效率,節(jié)省人力和財(cái)力,使偏遠(yuǎn)貧困地區(qū)的遠(yuǎn)程診斷和智能診斷成為可能[9],這是一個(gè)非常有前景的領(lǐng)域。

AI在眼科疾病中的應(yīng)用已有文獻(xiàn)計(jì)量學(xué)研究[10-12],本研究對(duì)AI在DR中的應(yīng)用進(jìn)行最新的文獻(xiàn)計(jì)量學(xué)研究,旨在利用文獻(xiàn)計(jì)量學(xué)方法對(duì)在Web of Science Core Collection(WoSCC)檢索到的論文進(jìn)行分析,結(jié)合作者團(tuán)隊(duì)的研究基礎(chǔ)和該領(lǐng)域最有影響力的10篇論文,評(píng)估糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯康娜驊?yīng)用現(xiàn)狀,并分析其熱點(diǎn)和趨勢(shì),探索該研究領(lǐng)域知識(shí)的動(dòng)態(tài)前沿,為AI專業(yè)人員、眼科醫(yī)生和醫(yī)學(xué)影像研究人員提供指導(dǎo)和建議。

1 材料和方法

1.1材料于2023-06-24檢索2012-01-01/2022-12-31在WoSCC發(fā)表的關(guān)于糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯康恼撐?并獨(dú)立驗(yàn)證數(shù)據(jù)。檢索公式為TS = (AI or “Artificial Intelligence” or “neural network” or “transfer learning” or “Machine Learning” or “Deep Learning” or automat* or algorithm) AND TS = (“diabetic eye disease” or “diabetic retinopathy” or “diabetic macular edema”)。檢索結(jié)果中選擇英文論文,排除綜述、早期訪問、會(huì)議論文、書籍章節(jié)、數(shù)據(jù)論文和撤回的論文。閱讀所有論文的標(biāo)題和摘要進(jìn)行人工篩選,排除研究對(duì)象非DR,研究方法不包含AI的論文,篩選流程見圖1。

1.2方法本研究納入論文研究?jī)?nèi)容均為AI在DR檢測(cè)、診斷和分級(jí)等領(lǐng)域中的應(yīng)用,采用CiteSpace 6.2.R4軟件對(duì)年發(fā)文量、國(guó)家、機(jī)構(gòu)、論文來源、研究領(lǐng)域、關(guān)鍵詞等進(jìn)行分析,并進(jìn)一步分析影響力最高的10篇論文。

2 結(jié)果

2.1年發(fā)文量通過CiteSpace軟件的去重功能篩除重復(fù)論文,最終納入論文1009篇。2012～2019年,關(guān)于糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯康恼撐臄?shù)量穩(wěn)步增加,在2020年開始明顯上升,并在2021年首次超過200篇,見圖2。

圖2 2012～2022年關(guān)于糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯康哪臧l(fā)文量。

2.2國(guó)家利用CiteSpace軟件的默認(rèn)設(shè)置統(tǒng)計(jì)每個(gè)國(guó)家的論文數(shù)量,并分析國(guó)家之間的合作關(guān)系,2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯款I(lǐng)域發(fā)文量最高的10個(gè)國(guó)家見表1。納入論文涉及79個(gè)國(guó)家,圖3中每個(gè)標(biāo)簽的大小和黃色節(jié)點(diǎn)區(qū)域代表發(fā)文量,黃色節(jié)點(diǎn)較大的前3個(gè)國(guó)家分別是中國(guó)、印度和美國(guó),分別有287、234、157篇論文;節(jié)點(diǎn)之間的連線表示國(guó)家之間的合作關(guān)系,連線越多表明該國(guó)和其他國(guó)家的研究合作越活躍;紫紅色圓圈的寬度表示國(guó)家的中心性,即影響力大小。連線越多,中心性越高,紫紅色圓圈越寬。分析顯示,“英國(guó)”標(biāo)簽的紫紅色圓圈的寬度最大(0.31),其次是與之相差極小的“美國(guó)”標(biāo)簽(0.30),表明英國(guó)和美國(guó)發(fā)表的關(guān)于糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯康恼撐挠绊懥ψ畲蟆指數(shù)可以精確反映一個(gè)國(guó)家的學(xué)術(shù)成就[13],美國(guó)的H指數(shù)(48)較其他國(guó)家更高,表明美國(guó)在該領(lǐng)域的研究質(zhì)量較高。值得注意的是,新加坡雖然在該階段內(nèi)發(fā)文量?jī)H37篇,但H指數(shù)卻達(dá)到21,提示新加坡在該領(lǐng)域的研究或有較大潛力。總體而言,中國(guó)的論文數(shù)量最多,美國(guó)在該領(lǐng)域的研究最具參考價(jià)值。

表1 2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯款I(lǐng)域發(fā)文量最高的10個(gè)國(guó)家

圖3 2012～2022年對(duì)糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯孔龀鲐暙I(xiàn)的國(guó)家的合作共現(xiàn)圖。

2.3機(jī)構(gòu)利用CiteSpace軟件的默認(rèn)設(shè)置統(tǒng)計(jì)每個(gè)機(jī)構(gòu)的論文數(shù)量,2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯款I(lǐng)域發(fā)文量最高的10個(gè)機(jī)構(gòu)見表2,其中英國(guó)和中國(guó)各有3家機(jī)構(gòu)進(jìn)入排名,但英國(guó)的3家機(jī)構(gòu)H指數(shù)均高于中國(guó),且英國(guó)的3家機(jī)構(gòu)H指數(shù)(14)均為最高,表明英國(guó)在該領(lǐng)域的研究具有一定的影響力。圖4中每個(gè)節(jié)點(diǎn)的大小與每個(gè)機(jī)構(gòu)的發(fā)表量呈正相關(guān);紫紅色圓圈的寬度表示機(jī)構(gòu)的中心性;節(jié)點(diǎn)之間的連線表示機(jī)構(gòu)之間的合作關(guān)系。

表2 2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯款I(lǐng)域發(fā)文量最高的10個(gè)機(jī)構(gòu)

圖4 2012～2022年對(duì)糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯孔龀鲐暙I(xiàn)的機(jī)構(gòu)合作共現(xiàn)圖。

2.4論文來源和研究領(lǐng)域納入的糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯堪l(fā)文量最高的10個(gè)期刊見表3,涉及的研究領(lǐng)域包括工程技術(shù)、計(jì)算機(jī)科學(xué)、電信學(xué)、眼科學(xué)、數(shù)學(xué)與計(jì)算生物學(xué)、醫(yī)學(xué)信息學(xué)、放射學(xué)核醫(yī)學(xué)成像、化學(xué)、儀器與儀表、生命科學(xué)和生物醫(yī)學(xué),構(gòu)成了研究前沿涉及的熱門學(xué)科,包括工程技術(shù)、數(shù)學(xué)、神經(jīng)學(xué)、信息科學(xué)和眼科,其中IEEEAccess為在糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯款I(lǐng)域最活躍的期刊。圖5為基于學(xué)科共現(xiàn)網(wǎng)絡(luò)制作的研究領(lǐng)域聚類圖,展示了納入論文所涉及的主要研究領(lǐng)域及各領(lǐng)域之間的關(guān)聯(lián)情況,其中計(jì)算機(jī)科學(xué)與信息系統(tǒng)、醫(yī)學(xué)信息學(xué)、光學(xué)、多學(xué)科科學(xué)、眼科學(xué)、生物學(xué)為主要的研究領(lǐng)域,不同色塊間的重疊表示所選研究涉及的研究領(lǐng)域的重合情況。

表3 2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯款I(lǐng)域發(fā)文量最高的10個(gè)期刊

圖5 2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯可婕暗闹饕芯款I(lǐng)域。

2.5關(guān)鍵詞基于關(guān)鍵詞共現(xiàn)合作網(wǎng)絡(luò)分析圖對(duì)隨時(shí)間發(fā)展的突現(xiàn)關(guān)鍵詞進(jìn)行分析,以更好地了解2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯?反映研究熱點(diǎn)的轉(zhuǎn)移。將CiteSpace軟件的默認(rèn)設(shè)置替換為以下模式:“時(shí)間切片”=1,“γ”=0.1,“最短持續(xù)時(shí)間”=1,選擇具有最強(qiáng)突現(xiàn)性的10個(gè)關(guān)鍵詞進(jìn)行展示,結(jié)果見圖6。突現(xiàn)性分析可以檢測(cè)某段時(shí)間內(nèi)論文數(shù)量的巨大變化,以確定某個(gè)主題詞或關(guān)鍵詞的消退或發(fā)展。圖6中被調(diào)查的時(shí)間線上出現(xiàn)的關(guān)鍵詞描繪為紅色條塊,2012～2022年突現(xiàn)關(guān)鍵詞包括眼底圖像(2012～2014年)、視網(wǎng)膜圖像(2013～2017年)、檢測(cè)自動(dòng)化(2013～2017年)、匹配濾波器(2015～2018年)、自動(dòng)檢測(cè)(2016～2018年)、分頻輻去相干影像(2016～2017年)、神經(jīng)網(wǎng)絡(luò)(2018～2019年)、遷移學(xué)習(xí)(2021～2022年)、血管分割(2021～2022年)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)(2021～2022年)。圖7為基于關(guān)鍵詞共現(xiàn)合作網(wǎng)絡(luò)分析呈現(xiàn)的關(guān)鍵詞聚類圖和研究領(lǐng)域聚類圖,展現(xiàn)了關(guān)鍵詞的聚類情況和與之對(duì)應(yīng)的研究領(lǐng)域,其中“#0視盤”對(duì)應(yīng)“眼科學(xué)”,“#1光學(xué)相干斷層成像”對(duì)應(yīng)“計(jì)算機(jī)科學(xué)和AI”,“#2深度學(xué)習(xí)”對(duì)應(yīng)“多學(xué)科科學(xué)”,“#3特征提取”對(duì)應(yīng)“工程學(xué)及電氣與電子工程”,“#4檢驗(yàn)”對(duì)應(yīng)“內(nèi)分泌與新陳代謝”,“#5卷積神經(jīng)網(wǎng)絡(luò)”對(duì)應(yīng)“計(jì)算機(jī)科學(xué)與跨學(xué)科應(yīng)用”。

圖6 2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯恐芯哂凶顝?qiáng)突現(xiàn)性的10個(gè)關(guān)鍵詞。

圖7 2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯恐谢陉P(guān)鍵詞共現(xiàn)合作網(wǎng)絡(luò)分析結(jié)果 A:關(guān)鍵詞聚類;B:研究領(lǐng)域聚類。

2.6高影響力論文納入論文中“在所有數(shù)據(jù)庫中被引用的次數(shù)”最高的10篇論文[6-7,14-21]見表4,提示糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯渴怯星巴镜?但涉及臨床應(yīng)用時(shí),仍存在一定的限制。

表4 2012～2022年糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯款I(lǐng)域被引頻次最高的10篇論文

3 討論

本研究結(jié)果顯示,2020～2022年關(guān)于糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯康陌l(fā)文量顯著增加,表明隨著對(duì)DR的檢測(cè)、診斷、分類和隨訪的需求增加,研究者對(duì)糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯康呐d趣也顯著增加。AI的發(fā)展以眼科的臨床實(shí)踐為研究前沿之一[22],其中DR是研究最多的眼病[23]。DL算法被證明在檢測(cè)和分類DR和相關(guān)眼病方面具有高度敏感性和特異性[6-7],是一個(gè)極有前途的研究領(lǐng)域。2018年,美國(guó)食品和藥品監(jiān)督管理局批準(zhǔn)了一種可以從視網(wǎng)膜照相圖像中檢測(cè)參考性DR的AI系統(tǒng),這是首個(gè)在醫(yī)學(xué)領(lǐng)域獲得批準(zhǔn)的獨(dú)立診斷系統(tǒng)[14],表明糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄茌o助診斷系統(tǒng)在臨床應(yīng)用中具有廣闊的前景,有望推動(dòng)臨床輔助診斷系統(tǒng)的變革。

納入本研究的論文中,中國(guó)的發(fā)文量最多,但高被引論文占比和論文總量占比卻未呈現(xiàn)相對(duì)應(yīng)的比例。英國(guó)和美國(guó)的中心性最高,同時(shí)美國(guó)的H指數(shù)較其他國(guó)家更高,表明這兩個(gè)國(guó)家在該研究領(lǐng)域處于領(lǐng)先地位。此外,中國(guó)和印度也擁有相當(dāng)大的中心性和影響力,而新加坡被認(rèn)為在該領(lǐng)域的研究有較大潛力。發(fā)文量排名前三的研究機(jī)構(gòu)分別來自埃及、英國(guó)和美國(guó)。分析H指數(shù)發(fā)現(xiàn),埃及知識(shí)庫(EKB)、倫敦大學(xué)(UoL)、莫菲爾德眼科醫(yī)院和倫敦大學(xué)學(xué)院(UCL)在該領(lǐng)域影響很大。AI研究的重點(diǎn)已經(jīng)從提升AI輔助DR檢測(cè)和分類轉(zhuǎn)變?yōu)閷?duì)糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄茌o助診斷系統(tǒng)的研究。AI應(yīng)用于DR的診斷和分類,通常基于視網(wǎng)膜照相圖像和OCT分析進(jìn)行,使用視網(wǎng)膜血管分割和定向局部對(duì)比檢測(cè)病變,包括微動(dòng)脈瘤和硬性滲出。

基于突現(xiàn)關(guān)鍵詞的聚類可以識(shí)別研究的活躍領(lǐng)域、前沿?zé)狳c(diǎn)和趨勢(shì)。本研究發(fā)現(xiàn),2012～2017年出現(xiàn)的關(guān)鍵詞是“眼底圖像”“視網(wǎng)膜圖像”和“檢測(cè)自動(dòng)化”,表明最初的研究重點(diǎn)是研究智能算法,用于對(duì)視網(wǎng)膜圖像上的病變進(jìn)行分割和定位,以輔助診斷DR。圖像特征的量化處理逐漸應(yīng)用于DR自動(dòng)識(shí)別,因此,評(píng)估視網(wǎng)膜血管的特征對(duì)于基于血管病理學(xué)的疾病診斷非常重要[24]。傳統(tǒng)的診斷依靠經(jīng)驗(yàn),容易出現(xiàn)錯(cuò)誤,因此,需要一個(gè)客觀的標(biāo)準(zhǔn)衡量診斷結(jié)果。人體視網(wǎng)膜血管的自動(dòng)定量是減少智能診斷主觀誤差、提高準(zhǔn)確性的保證[25]。Wu等[26]開發(fā)了一種計(jì)算機(jī)輔助量化框架,用于滲出液和微動(dòng)脈瘤的自動(dòng)檢測(cè),并比較了中度和重度非增殖性DR的形態(tài)學(xué)特征,結(jié)果表明計(jì)算機(jī)輔助量化DR可以成為臨床醫(yī)生更好地研究DR的實(shí)用方法。Franklin等[27]開發(fā)了一種新的視網(wǎng)膜照相圖像自動(dòng)血管分割方法,將每個(gè)圖像像素分離為血管和非血管,用于視網(wǎng)膜照相圖像微動(dòng)脈瘤的自動(dòng)識(shí)別。使用多層感知器神經(jīng)網(wǎng)絡(luò)檢測(cè)視網(wǎng)膜微動(dòng)脈瘤有助于眼科醫(yī)生的診斷,并對(duì)DR患者進(jìn)行隨訪。視網(wǎng)膜照相圖像和OCT的診斷定位包括滲出物[28]、視盤[29]、微動(dòng)脈瘤、出血、棉絮斑[30]。然而,機(jī)器識(shí)別的效率有限,有時(shí)需要人工確認(rèn),這與目前依賴DL的智能診斷不同[31]。傳統(tǒng)的ML識(shí)別系統(tǒng)通常被用作臨床醫(yī)生篩查和診斷的輔助工具[32]。

2015～2018年出現(xiàn)的關(guān)鍵詞是“匹配濾波器”“自動(dòng)檢測(cè)”和“分頻輻去相干影像”。匹配濾波是一種分割算法,可用于血管提取和微動(dòng)脈瘤檢測(cè)。從彩色眼底照相圖像中發(fā)現(xiàn)紅色病灶,尤其是微動(dòng)脈瘤,對(duì)于DR的早期診斷至關(guān)重要,但如何在彩色視網(wǎng)膜圖像上準(zhǔn)確地自動(dòng)檢測(cè)微動(dòng)脈瘤仍然是一個(gè)具有挑戰(zhàn)性的問題,其中一個(gè)重要的解決方案是基于過濾器的微動(dòng)脈瘤檢測(cè)算法,即利用多尺度匹配濾波器進(jìn)行血管提取篩選圖像中的微動(dòng)脈瘤[33-36]。除匹配濾波外,研究者也在積極探索其他智能算法,為DR的智能診斷和分級(jí)提供新的方向。OCTA是一種新興技術(shù),利用連續(xù)的橫斷面B型掃描在同一位置的OCT信號(hào)的變化對(duì)比血管腔內(nèi)流動(dòng)的紅細(xì)胞與靜態(tài)組織。分頻輻去相干影像(SSADA)被證實(shí)是一種高效的OCTA算法,其可用于可視化和量化眼睛血管網(wǎng)絡(luò)的變化,是評(píng)估視網(wǎng)膜灌注的可靠工具[37-39]。關(guān)鍵詞“自動(dòng)檢測(cè)”出現(xiàn)的時(shí)間段是2016～2018年,在此期間,DL算法,包括CNN在DR中的應(yīng)用等,推動(dòng)了這些進(jìn)步和轉(zhuǎn)變。DL是一組計(jì)算方法,允許算法通過從大量示例中學(xué)習(xí)來編程[6]。與傳統(tǒng)的監(jiān)督學(xué)習(xí)相比,DL大大提高了自動(dòng)檢測(cè)的準(zhǔn)確性,同時(shí)減少了工作量,具有明顯的優(yōu)勢(shì)。2016年,Abràmoff等[15]研究證明,與傳統(tǒng)ML算法相比,CNN顯著提高了DR的識(shí)別性能。

2018～2019年出現(xiàn)的關(guān)鍵詞是“神經(jīng)網(wǎng)絡(luò)”,2021～2022年出現(xiàn)的關(guān)鍵詞是“遷移學(xué)習(xí)”“血管分割”和“卷積神經(jīng)網(wǎng)絡(luò)”,表明包括遷移學(xué)習(xí)在內(nèi)的AI是近年的研究熱點(diǎn)。雖然DL模型提供了自動(dòng)特征提取和分類,但仍需要大量帶注釋的數(shù)據(jù)集訓(xùn)練這樣的智能模型?；谶w移學(xué)習(xí)的模型被研究人員廣泛使用,以克服標(biāo)注數(shù)據(jù)不足和計(jì)算開銷大的問題。CNN是圖像相關(guān)應(yīng)用中著名的DL算法之一[40],其通過不斷修改和自我學(xué)習(xí)完成任務(wù),在計(jì)算機(jī)視覺研究領(lǐng)域取得了很大進(jìn)步[41-42]。Gulshan等[6]利用深度CNN創(chuàng)建了一種基于視網(wǎng)膜照相圖像自動(dòng)檢測(cè)DR和糖尿病性黃斑水腫的算法,該研究表明,基于DL算法在評(píng)估成人糖尿病患者視網(wǎng)膜照相圖像時(shí),對(duì)于檢測(cè)建議轉(zhuǎn)診的DR具有很高的敏感性和特異性。Le等[43]通過遷移學(xué)習(xí)構(gòu)建了一個(gè)基于OCTA圖像的再訓(xùn)練CNN用于DR分類,其靈敏度為83.76%,特異性為90.82%。另有許多研究表明,CNN已成為DR篩查、分期和預(yù)測(cè)的主要工具,具有廣泛的應(yīng)用前景[44-45]。

DR的自動(dòng)化監(jiān)測(cè)和篩查可以顯著減少人力和時(shí)間,同時(shí),早期治療可以減少疾病進(jìn)展所造成的視力損害。因此,DR的自動(dòng)檢測(cè)和分級(jí)一直是該領(lǐng)域的研究熱點(diǎn)。DR的自動(dòng)檢測(cè)技術(shù)一直在不斷提高。早期視網(wǎng)膜照相圖像中DR相關(guān)病變的智能識(shí)別和診斷主要通過ML進(jìn)行檢測(cè)。在此期間,開發(fā)了各種用于DR篩選的ML工具,如決策樹、支持向量機(jī)(SVM)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、貝葉斯分類器等。然而,傳統(tǒng)ML的識(shí)別效率有限,有時(shí)還需要人工確認(rèn)。因此,有學(xué)者嘗試在ML的基礎(chǔ)上加入集成學(xué)習(xí)算法來整合各種算法,使計(jì)算機(jī)通過不同的策略識(shí)別與DR相關(guān)的病變。自2016年以來,由于DL在DR自動(dòng)識(shí)別中的逐步應(yīng)用,自動(dòng)檢測(cè)的效率和準(zhǔn)確性均有很大提高。

本研究納入論文涉及的前6個(gè)主要學(xué)科領(lǐng)域?yàn)橛?jì)算機(jī)科學(xué)與信息系統(tǒng)、醫(yī)學(xué)信息學(xué)、光學(xué)、多學(xué)科科學(xué)、眼科學(xué)、生物學(xué),表明糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯坎粌H僅只是AI和眼科學(xué)中某一疾病的結(jié)合,而更多的是多學(xué)科的結(jié)合應(yīng)用。其中,AI與計(jì)算機(jī)科學(xué)與信息系統(tǒng)直接對(duì)應(yīng),DR和光學(xué)、眼科學(xué)和生物學(xué)直接對(duì)應(yīng),而醫(yī)學(xué)信息學(xué)和多學(xué)科科學(xué)顯然體現(xiàn)了跨學(xué)科領(lǐng)域相互賦能的關(guān)系?；陉P(guān)鍵詞共現(xiàn)合作網(wǎng)絡(luò)分析呈現(xiàn)的關(guān)鍵詞聚類圖和研究領(lǐng)域聚類圖(圖7)更加細(xì)致地展現(xiàn)了關(guān)鍵詞的聚類情況和與之對(duì)應(yīng)的研究領(lǐng)域。視網(wǎng)膜照相圖像中視盤的檢測(cè)對(duì)于識(shí)別各種視網(wǎng)膜異常情況至關(guān)重要,如DR。智能DR輔助診斷被認(rèn)為是DR早期診斷中最重要的,同時(shí)也是效率和性價(jià)比極高的篩查方法[46],故對(duì)視盤的自動(dòng)分割是糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯恐屑韧芯康囊粋€(gè)重要切入點(diǎn)[47-49]。2022年,Zaaboub等[50]在彩色視網(wǎng)膜照相圖像中精確定義了一種新的、魯棒的視盤分割方法,該方法在視盤檢測(cè)和分割方面達(dá)到了最先進(jìn)的性能。AI應(yīng)用于DR的診斷和分類通?；诓噬鄣渍障嗪蚈CT圖像分析進(jìn)行,使用視網(wǎng)膜血管分割和定向局部對(duì)比來檢測(cè)病變,包括微動(dòng)脈瘤和硬性滲出,該過程需要盡可能精準(zhǔn)的特征提取,CNN的出現(xiàn)對(duì)此貢獻(xiàn)了極大的助推作用。AI是近年發(fā)展迅速的一種以DL為基礎(chǔ)的智能系統(tǒng),該研究領(lǐng)域涉及多學(xué)科知識(shí)與技術(shù)的深度融合,需要多學(xué)科技術(shù)資源的合作與共享。目前還存在數(shù)據(jù)標(biāo)準(zhǔn)化、臨床驗(yàn)證不足、產(chǎn)品有待投入使用等問題。雖然AI輔助DR篩查的研究機(jī)遇與挑戰(zhàn)并存,但隨著研究的逐步深入和相關(guān)跨學(xué)科研究人員的共同努力,AI輔助診斷DR在眼科的臨床應(yīng)用有望取得更大進(jìn)展。

本研究綜合分析納入論文中被引頻次前10篇論文的研究局限性,將AI在診斷眼科疾病中的限制性分為以下5種:(1)智能輔助診斷系統(tǒng)的設(shè)計(jì)因復(fù)雜的臨床條件和主觀評(píng)價(jià)標(biāo)準(zhǔn)而變得復(fù)雜;(2)AI訓(xùn)練模型的樣本量相對(duì)有限,實(shí)際有效性有待確認(rèn);(3)現(xiàn)有的輔助診斷系統(tǒng)無法獨(dú)立診斷,具體臨床應(yīng)用需要眼科醫(yī)生或?qū)I(yè)人士的建議;(4)不一致的臨床參考標(biāo)準(zhǔn)可能導(dǎo)致智能算法性能的差異;(5)現(xiàn)有智能輔助診斷系統(tǒng)的可解釋性仍不盡人意。為促進(jìn)糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄苎芯康膽?yīng)用提出以下建議:(1)為了開發(fā)更魯棒和可用的智能輔助診斷系統(tǒng),需要更多類型和更大的數(shù)據(jù)集,建立一個(gè)統(tǒng)一的高質(zhì)量DR影像數(shù)據(jù)庫,并不斷對(duì)其進(jìn)行優(yōu)化和數(shù)據(jù)擴(kuò)充,可以更好地滿足DR的智能診斷需求,解決樣本量的問題,如建立一個(gè)可以整合不同來源的數(shù)據(jù)并解決碎片化數(shù)據(jù)的數(shù)據(jù)庫,可能有利于進(jìn)一步的研究[51];(2)研究范圍需要包括各種常見的疾病類型,如青光眼和年齡相關(guān)性黃斑變性[52-53];(3)需要統(tǒng)一的DR診斷輸出標(biāo)準(zhǔn),以保證各種系統(tǒng)的通用性;(4)更多高水平的眼科醫(yī)生應(yīng)參與數(shù)據(jù)集的篩選階段和算法的檢查階段,以獲得更準(zhǔn)確的臨床診斷;(5)應(yīng)該保證AI臨床診斷的合法地位,在確保技術(shù)先進(jìn)的情況下,可以批準(zhǔn)AI進(jìn)行獨(dú)立輸出診斷建議;(6)相關(guān)專業(yè)人員應(yīng)加強(qiáng)技術(shù)研究,增強(qiáng)技術(shù)可視化,進(jìn)一步提高AI技術(shù)的使用率,同時(shí),對(duì)于AI技術(shù)臨床研究評(píng)價(jià)的規(guī)范化也有助于臨床應(yīng)用[54]。

此外,本研究方法也存在一些潛在的局限性:(1)由于本研究方法是對(duì)以往文獻(xiàn)進(jìn)行分析,研究的前瞻性可能不夠準(zhǔn)確,同時(shí),從研究到發(fā)表有一段時(shí)間,發(fā)表的論文往往與實(shí)際研究時(shí)間不同步;(2)本研究?jī)H對(duì)WoSCC數(shù)據(jù)庫中的英文論文進(jìn)行分析,考慮到同時(shí)融合和分析不同數(shù)據(jù)庫或不同語言的數(shù)據(jù)不現(xiàn)實(shí),其他數(shù)據(jù)庫或其他語言的論文未被納入,這可能導(dǎo)致結(jié)論出現(xiàn)偏差,如英語系國(guó)家的中心性結(jié)果或較實(shí)際偏高;(3)本研究主要分析了AI技術(shù)在單發(fā)DR病例中的應(yīng)用,未系統(tǒng)分析AI在包括DR在內(nèi)的多發(fā)性視網(wǎng)膜疾病中的應(yīng)用。

近年來,基于圖像分析的智能算法訓(xùn)練越來越受到關(guān)注。AI在糖尿病篩查和診斷中的應(yīng)用正在世界范圍內(nèi)進(jìn)行研究。特別是美國(guó)目前在該研究領(lǐng)域的影響力最大。AI在DR篩查和診斷中的應(yīng)用顯著改變了眼科醫(yī)生和患者的臨床環(huán)境,這些技術(shù)提供了更嚴(yán)格、更快和遠(yuǎn)程的診斷服務(wù)。但這些方法有一定的局限性,如AI訓(xùn)練模型的樣本量有限,其臨床應(yīng)用的實(shí)際有效性需要確認(rèn),現(xiàn)有模型只能作為輔助診斷工具,臨床應(yīng)用還需要眼科醫(yī)生或?qū)I(yè)人士提供建議。此外,目前多數(shù)研究仍處于系統(tǒng)開發(fā)和測(cè)試階段,尚未開發(fā)出復(fù)雜的智能輔助診斷系統(tǒng)。最初的研究主要集中在分析用于定位或識(shí)別視網(wǎng)膜照相圖像上病變的智能算法,以輔助DR診斷。目前,研究的重點(diǎn)已經(jīng)從AI輔助DR檢測(cè)和分級(jí)轉(zhuǎn)向糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄茌o助診斷系統(tǒng)的研究。因此,在訓(xùn)練和測(cè)試算法時(shí),有必要獲取更多的國(guó)家和民族來源的數(shù)據(jù),并合并更復(fù)雜的眼科數(shù)據(jù),以解決現(xiàn)有的局限性。然而,這是一項(xiàng)具有挑戰(zhàn)性的任務(wù),除了主要開發(fā)算法的計(jì)算機(jī)工程專家外,還需要各個(gè)專業(yè)層次的眼科醫(yī)生參與其中。