[论文解读] Instant automatic diagnosis of diabetic retinopathy

Gwenolé Quellec, Mathieu Lamard+5 more|arXiv (Cornell University)|Jun 12, 2019

Retinal Imaging and Analysis参考文献 21被引用 6

一句话总结

本文提出 OphtAI，一种基于彩色眼底图像的深度学习方法，用于糖尿病视网膜病变（DR）的即时自动诊断系统。其在可参考性DR上的AUC达到0.989，在威胁视力的DR上的AUC达到0.997，性能优于唯一获得FDA认证的AI系统，同时在GPU上处理图像的时间少于0.3秒。

ABSTRACT

The purpose of this study is to evaluate the performance of the OphtAI system for the automatic detection of referable diabetic retinopathy (DR) and the automatic assessment of DR severity using color fundus photography. OphtAI relies on ensembles of convolutional neural networks trained to recognize eye laterality, detect referable DR and assess DR severity. The system can either process single images or full examination records. To document the automatic diagnoses, accurate heatmaps are generated. The system was developed and validated using a dataset of 763,848 images from 164,660 screening procedures from the OPHDIAT screening program. For comparison purposes, it was also evaluated in the public Messidor-2 dataset. Referable DR can be detected with an area under the ROC curve of AUC = 0.989 in the Messidor-2 dataset, using the University of Iowa's reference standard (95% CI: 0.984-0.994). This is better than the only AI system authorized by the FDA, evaluated in the exact same conditions (AUC = 0.980). OphtAI can also detect vision-threatening DR with an AUC of 0.997 (95% CI: 0.996-0.998) and proliferative DR with an AUC of 0.997 (95% CI: 0.995-0.999). The system runs in 0.3 seconds using a graphics processing unit and less than 2 seconds without. OphtAI is safer, faster and more comprehensive than the only AI system authorized by the FDA so far. Instant DR diagnosis is now possible, which is expected to streamline DR screening and to give easy access to DR screening to more diabetic patients.

研究动机与目标

• 开发一种基于彩色眼底摄影的自动化系统，实现实时糖尿病视网膜病变诊断。
• 与现有AI系统相比，提升诊断准确性和速度，特别是与获得FDA认证的替代方案进行对比。
• 通过检测可参考性DR和DR严重程度等级，实现全面筛查。
• 生成可解释的热力图，以支持临床决策。
• 在大规模真实世界筛查数据和公开基准上验证系统性能。

提出的方法

• OphtAI采用卷积神经网络（CNN）的集成模型，用于检测眼部侧别、识别可参考性DR，并评估DR严重程度。
• 系统在OPHDIAT项目中164,660次筛查程序的763,848张图像上进行训练。
• 系统可处理单张图像和完整检查记录，确保与临床工作流程无缝集成。
• 通过注意力机制生成热力图，以定位并可视化诊断发现。
• 采用爱荷华大学的DR分类参考标准对模型进行评估。
• 通过受试者工作特征曲线下面积（AUC）衡量性能，并报告95%置信区间。

实验结果

研究问题

• RQ1 与唯一获得FDA认证的系统相比，AI系统能否在可参考性糖尿病视网膜病变的诊断性能上实现更优表现？
• RQ2 该系统能否实现极低延迟的即时诊断，适用于实时临床部署？
• RQ3 该系统在不同DR严重程度等级（包括威胁视力和增殖性阶段）下是否保持高准确性？
• RQ4 该系统能否生成可靠且可解释的热力图，以支持眼科医生的解读？
• RQ5 该系统在真实世界筛查数据和公开基准数据集上的表现如何？

主要发现

• 在Messidor-2数据集中，OphtAI在可参考性DR检测中的AUC达到0.989（95%置信区间：0.984–0.994），超过FDA认证系统的AUC 0.980。
• 在威胁视力的糖尿病视网膜病变中，系统AUC达到0.997（95%置信区间：0.996–0.998），表明几乎完美的判别能力。
• 在增殖性糖尿病视网膜病变中，OphtAI的AUC达到0.997（95%置信区间：0.995–0.999），显示出极高的敏感性和特异性。
• 系统在GPU上处理单张图像的时间少于0.3秒，在无GPU环境下少于2秒，支持实时筛查。
• 注意力机制生成的热力图增强了诊断的透明度，提升了临床信任度。
• 在大规模OPHDIAT数据集上的验证结果表明，系统在多种真实世界筛查条件下均表现出稳健性能。