[论文解读] Detecting hidden signs of diabetes in external eye photographs

Boris Babenko, Akinori Mitani+11 more|arXiv (Cornell University)|Nov 23, 2020

Retinal Imaging and Analysis参考文献 40被引用 6

一句话总结

本研究开发了一种深度学习系统（DLS），通过分析眼部外部照片检测糖尿病的隐匿性体征，包括血糖控制不佳和糖尿病性视网膜病变。DLS在检测威胁视力的糖尿病性视网膜病变方面AUC达到79.4，在检测HbA1c > 9%方面AUC达到70.2，优于自报的临床数据，并在未散瞳和散瞳瞳孔图像中均表现出良好的泛化能力。

ABSTRACT

Diabetes-related retinal conditions can be detected by examining the posterior of the eye. By contrast, examining the anterior of the eye can reveal conditions affecting the front of the eye, such as changes to the eyelids, cornea, or crystalline lens. In this work, we studied whether external photographs of the front of the eye can reveal insights into both diabetic retinal diseases and blood glucose control. We developed a deep learning system (DLS) using external eye photographs of 145,832 patients with diabetes from 301 diabetic retinopathy (DR) screening sites in one US state, and evaluated the DLS on three validation sets containing images from 198 sites in 18 other US states. In validation set A (n=27,415 patients, all undilated), the DLS detected poor blood glucose control (HbA1c > 9%) with an area under receiver operating characteristic curve (AUC) of 70.2; moderate-or-worse DR with an AUC of 75.3; diabetic macular edema with an AUC of 78.0; and vision-threatening DR with an AUC of 79.4. For all 4 prediction tasks, the DLS's AUC was higher (p<0.001) than using available self-reported baseline characteristics (age, sex, race/ethnicity, years with diabetes). In terms of positive predictive value, the predicted top 5% of patients had a 67% chance of having HbA1c > 9%, and a 20% chance of having vision threatening diabetic retinopathy. The results generalized to dilated pupils (validation set B, 5,058 patients) and to a different screening service (validation set C, 10,402 patients). Our results indicate that external eye photographs contain information useful for healthcare providers managing patients with diabetes, and may help prioritize patients for in-person screening. Further work is needed to validate these findings on different devices and patient populations (those without diabetes) to evaluate its utility for remote diagnosis and management.

研究动机与目标

• 探究外部眼像是否包含除视网膜改变外的糖尿病可检测体征。
• 开发一种深度学习系统，能够从非侵入性外部眼像中识别血糖控制不佳和糖尿病性视网膜病变。
• 评估模型在不同临床环境（包括未散瞳和散瞳瞳孔）及不同筛查服务中的表现。
• 评估模型是否优于传统自报的患者特征在预测糖尿病相关结局方面的表现。
• 探索外部眼像在远程糖尿病管理与筛查优先级确定中的可扩展潜力。

提出的方法

• 在全美一个州的糖尿病性视网膜病变筛查点获取的145,832张外部眼像上训练了深度学习系统（DLS）。
• 在三个独立的验证集上评估模型：一个为未散瞳瞳孔（n=27,415），一个为散瞳瞳孔（n=5,058），一个来自不同筛查服务（n=10,402）。
• 通过受试者工作特征曲线下面积（AUC）评估模型在四种结果上的表现：HbA1c > 9%，中度或更严重糖尿病性视网膜病变（DR），糖尿病性黄斑水肿（DME），以及威胁视力的DR。
• 将模型表现与仅使用自报患者特征（年龄、性别、种族/族裔、糖尿病病程）的基线预测进行比较。
• DLS利用卷积神经网络从前段眼像中提取特征，重点关注与全身性糖尿病相关的细微形态和纹理变化。
• 通过不同成像条件和患者群体测试泛化能力，以评估其鲁棒性和临床适用性。

实验结果

研究问题

• RQ1 外部眼像能否揭示糖尿病患者血糖控制不佳（HbA1c > 9%）的体征？
• RQ2 深度学习模型能否从非侵入性前段眼像中检测出糖尿病性视网膜病变和糖尿病性黄斑水肿？
• RQ3 DLS是否优于自报的临床特征，在预测糖尿病相关并发症方面表现更优？
• RQ4 该模型在不同成像条件下（如未散瞳与散瞳瞳孔）的泛化能力如何？
• RQ5 该模型能否识别高风险患者，以优先安排面对面筛查？

主要发现

• 在未散瞳验证集中，DLS检测威胁视力的糖尿病性视网膜病变的AUC为79.4，显著优于自报基线特征（p < 0.001）。
• 对于HbA1c > 9%的预测，DLS的AUC达到70.2，表明其预测能力优于仅依赖临床数据。
• 模型在验证集B（散瞳瞳孔，n=5,058）和验证集C（不同筛查服务，n=10,402）中均保持强劲表现，证实其在不同成像条件和人群中的泛化能力。
• 在DLS预测的前5%患者中，67%的HbA1c > 9%，20%患有威胁视力的糖尿病性视网膜病变，表明其在风险分层中具有较强的阳性预测值。
• DLS在所有四项预测任务中均优于自报基线特征：HbA1c > 9%、中度或更严重DR、DME和威胁视力DR（所有p < 0.001）。
• 结果表明，外部眼像包含对糖尿病管理具有临床意义的信息，支持其在远程筛查和风险优先级划分中的应用。