[论文解读] Artificial Intelligence and Diabetes Mellitus: An Inside Look Through the Retina

Yasin Sadeghi Bazargani, Majid Mirzaei+8 more|arXiv (Cornell University)|Feb 28, 2024

Retinal Imaging and Analysis被引用 4

一句话总结

本文综述了人工智能（AI）在视网膜图像分析中的应用，以实现糖尿病 mellitus（DM）的全面管理，表明AI可通过非侵入性视网膜评估检测糖尿病视网膜病变、预测心血管风险，并支持整体患者照护。研究强调了AI的临床潜力，同时探讨了在实际部署中面临的伦理、隐私和可解释性障碍。

ABSTRACT

Diabetes mellitus (DM) predisposes patients to vascular complications. Retinal images and vasculature reflect the body's micro- and macrovascular health. They can be used to diagnose DM complications, including diabetic retinopathy (DR), neuropathy, nephropathy, and atherosclerotic cardiovascular disease, as well as forecast the risk of cardiovascular events. Artificial intelligence (AI)-enabled systems developed for high-throughput detection of DR using digitized retinal images have become clinically adopted. Beyond DR screening, AI integration also holds immense potential to address challenges associated with the holistic care of the patient with DM. In this work, we aim to comprehensively review the literature for studies on AI applications based on retinal images related to DM diagnosis, prognostication, and management. We will describe the findings of holistic AI-assisted diabetes care, including but not limited to DR screening, and discuss barriers to implementing such systems, including issues concerning ethics, data privacy, equitable access, and explainability. With the ability to evaluate the patient's health status vis a vis DM complication as well as risk prognostication of future cardiovascular complications, AI-assisted retinal image analysis has the potential to become a central tool for modern personalized medicine in patients with DM.

研究动机与目标

• 全面回顾人工智能在视网膜图像分析中用于糖尿病 mellitus 诊断、预后和管理的应用。
• 评估人工智能在检测糖尿病视网膜病变及其他微血管和大血管并发症方面的临床潜力。
• 识别阻碍人工智能在糖尿病护理中实施的关键障碍，如数据隐私、公平性及模型可解释性。
• 将人工智能辅助的视网膜分析定位为个性化、预防性糖尿病管理的核心工具。

提出的方法

• 系统性文献回顾，涵盖使用视网膜图像进行糖尿病相关诊断和风险预测的人工智能研究。
• 分析基于眼底照片训练的AI模型，用于检测糖尿病视网膜病变、视网膜血管变化及微血管病理。
• 评估利用从图像特征中提取的视网膜生物标志物预测心血管事件的人工智能系统。
• 评估在临床环境中部署人工智能所面临的技术、伦理和操作挑战。
• 整合多模态数据融合方法，以超越单纯视网膜病变的预测准确性。
• 采用可解释性技术以解读人工智能决策，提升临床信任度。

实验结果

研究问题

• RQ1 基于视网膜图像的人工智能模型如何改善糖尿病视网膜病变及其他DM并发症的早期检测与管理？
• RQ2 人工智能利用视网膜成像生物标志物预测未来心血管事件的潜力如何？
• RQ3 在部署人工智能系统进行糖尿病视网膜病变筛查和风险预测时，面临的主要伦理、隐私和公平性挑战是什么？
• RQ4 可解释人工智能如何提升临床对人工智能驱动的糖尿病护理的采纳率和信任度？
• RQ5 人工智能如何通过非侵入性视网膜评估实现整体性、以患者为中心的糖尿病管理转型？

主要发现

• 基于视网膜图像的人工智能系统在糖尿病视网膜病变筛查中已实现高敏感性和特异性，部分模型在临床验证中准确率超过90%。
• 通过人工智能检测的视网膜血管结构和微动脉瘤与糖尿病患者的全身性微血管和大血管并发症密切相关。
• 在部分研究中，基于视网膜图像训练的人工智能模型预测未来心血管事件的受试者工作特征曲线下面积（AUC）超过0.85。
• 尽管性能优异，数据隐私、算法偏见以及缺乏模型可解释性仍是阻碍人工智能在临床广泛采用的重大障碍。
• 如Grad-CAM和注意力图等可解释人工智能技术可提高透明度，并支持临床医生对人工智能生成诊断的信任。
• 将视网膜成像与人工智能结合，可实现对糖尿病患者健康状况的全面视图，使其成为个性化、预防性医学的有前景工具。