2024年1月4日，附屬第六人民醫(yī)院內(nèi)分泌代謝科、上海市糖尿病重點實驗室賈偉平教授和李華婷教授團隊，清華大學副教務(wù)長、醫(yī)學院主任黃天蔭教授團隊，上海交通大學電院計算機系/教育部人工智能重點實驗室盛斌教授團隊在國際權(quán)威刊物《自然醫(yī)學》（Nature Medicine）發(fā)表科研成果，可精準預測糖尿病視網(wǎng)膜病變進展。
該成果是醫(yī)工交叉團隊繼2021年成功完成糖尿病視網(wǎng)膜病變輔助智能診斷系統(tǒng)“DeepDR”研發(fā)之后，進一步構(gòu)建的基于時序影像序列深度學習的糖尿病視網(wǎng)膜并發(fā)癥預警系統(tǒng)“DeepDR Plus”。該系統(tǒng)可基于眼底圖像精準預測糖尿病視網(wǎng)膜病變進展，成果為推動全球糖尿病并發(fā)癥的智能防控貢獻了中國力量，有望為全球糖尿病視網(wǎng)膜病變的篩防新策略的制定提供指引。
糖尿病視網(wǎng)膜病變（DR）是糖尿病最常見的微血管并發(fā)癥，也是全球可預防失明的主要原因。該病初期癥狀隱匿，病情嚴重時可能導致永久視力損傷甚至失明。由于不同患者病情進展存在較大差異，每位糖尿病病人患DR的風險和時間難以準確預測。
目前，以深度學習為代表的人工智能技術(shù)已被用于DR篩查，然而基于眼底圖像來預測DR發(fā)生風險仍是全球關(guān)注的重難點問題。在糖尿病等相關(guān)慢病診療和管理的臨床實踐流程中，糖尿病患者往往只會按照相對固定的時間間隔進行篩查或隨訪，并發(fā)癥的確切發(fā)生或進展時間無法知曉，這也導致傳統(tǒng)深度學習模型無法實現(xiàn)疾病進展時序軌跡的精準建模，進而無法預測個體的發(fā)病和進展時間點。
針對這一困擾全球糖尿病管理的關(guān)鍵技術(shù)瓶頸與臨床需求，本項研究首次基于大規(guī)模醫(yī)學影像縱向隊列，涵蓋多國多種族的超20萬名糖尿病患者的眼底圖像和臨床數(shù)據(jù)，創(chuàng)新性提出了基于Weibull混合分布模型的疾病進展分析深度學習框架，創(chuàng)造性地將糖尿病視網(wǎng)膜病變的進展和發(fā)生時間視為篩查區(qū)間內(nèi)的隨機變量，通過生存分析與時序分布概率建模，成功實現(xiàn)了對糖尿病視網(wǎng)膜病變進展的風險預警和時間預測。
研究團隊通過將該系統(tǒng)應(yīng)用于中國和印度的真實臨床流程，證實該系統(tǒng)可在大幅降低篩查頻率和公共衛(wèi)生成本的情況下仍保持極低的漏診率，從而為將來的糖尿病并發(fā)癥防控實踐提供了個性化篩查和管理決策的依據(jù)。
早期篩查和干預對于DR的預防和管理至關(guān)重要。國內(nèi)和國際組織大多建議無或輕度DR的糖尿病患者每年進行常規(guī)眼底攝片檢查，以便及時發(fā)現(xiàn)視網(wǎng)膜病變并進行干預。然而，由于經(jīng)濟和醫(yī)療資源等因素的限制，尤其是在中、低收入國家，糖尿病患者常規(guī)眼底攝片檢查的實施和普及困難重重。本研究首次實現(xiàn)了個體化糖尿病視網(wǎng)膜病變風險和時間預測，DeepDR Plus系統(tǒng)僅根據(jù)基線眼底圖像，準確預測未來5年DR進展的個體化風險和時間，優(yōu)于傳統(tǒng)臨床參數(shù)模型。
此外，DeepDR Plus系統(tǒng)可以準確識別高、低風險人群，提供了人工智能驅(qū)動的個性化的推薦隨訪間隔（低風險患者給予相對更長時間的隨訪間隔建議而幾乎不導致威脅視力DR的漏診）和管理策略（高風險患者給予相對更嚴格的綜合干預建議）。
人工智能驅(qū)動的個性化篩查間隔納入糖尿病視網(wǎng)膜病變篩查系統(tǒng)，特別在發(fā)展中國家，可以極大提高眼底攝片篩查的效率、公平性和可及性。該研究為糖尿病視網(wǎng)膜病變篩查、預防和診療指南提供了新的證據(jù)，有望對未來糖尿病視網(wǎng)膜病變的臨床診療流程和醫(yī)療費用等產(chǎn)生重要影響，在世界地圖上為糖尿病智能防控貢獻了中國技術(shù)和亞洲力量，為“一帶一路”及全球中低收入國家和地區(qū)的糖尿病管理模式的提質(zhì)增效與改革創(chuàng)新開辟了新道路。
