【医学影像 AI】基于 AI 的远程筛查 ROP 效果评价

0. 论文简介

0.1 基本信息

2023年，Greenwald 等在 JAAPOS 发表论文 “基于 AI 的远程筛查 ROP 效果评价”（Evaluation of artificial intelligence-based telemedicine screening for retinopathy of prematurity）。

本研究首次在真实世界的ROP远程医疗筛查项目中，评估了基于深度学习的血管严重程度评分系统的诊断性能。证明 AI 生成的血管严重程度评分与国际ROP分类标准（分区、分期、Plus病变）显著相关，可作为标准化筛查工具。

论文下载： sciencedirect, pubmed
引用格式：
Greenwald MF, Danford ID, Shahrawat M. Evaluation of artificial intelligence-based telemedicine screening for retinopathy of prematurity. J AAPOS. 2020 Jun;24(3):160-162. doi: 10.1016/j.jaapos.2020.01.014.

0.2 摘要

对一项深度学习衍生的早产儿视网膜病变（Retinopathy of Prematurity, ROP）中血管严重程度评分，在实际ROP筛查项目中的回顾性评估显示，其对 2型或更严重ROP的检测具有高诊断效能。
这是文献中首个评估人工智能用于ROP筛查的研究报告，具有概念验证意义。通过进一步前瞻性验证，该技术或可提升诊断的准确性、效率和客观性，并有助于在潜在致盲性ROP患者中更早发现疾病进展。

1. 引言

远程医疗被认为是解决全球日益增长的早产儿视网膜病变（ROP）筛查需求的一种方案，目前世界各地已有多项成功实施的筛查项目[1-3]。虽然远程医疗提高了ROP筛查的医疗效率，但其诊断仍受限于ROP主观判断的固有局限性，并在"检查"与"诊断"之间引入了时间延迟。

人工智能（AI）不仅能提高ROP诊断的客观性和准确性，还能为新生儿护理团队提供实时反馈。2018年，Brown及其团队[4]报告了一种基于深度学习的自动算法，该算法诊断plus病的能力与专家相当。Redd等[5]进一步证明，该系统生成的ROP严重程度评分不仅与plus病相关，更符合国际ROP分类标准（包括分区、分期和plus病），这为使用严重程度评分客观评估ROP提供了概念验证。

但迄今为止，该系统尚未在未经筛选的ROP筛查人群中得到评估，因此在诊断性能方面仍存在认知空白，包括图像采集技术差异、图像质量以及患者群体差异等实际问题。本研究旨在回顾性评估深度学习衍生的血管严重程度评分在俄勒冈州西北部实际ROP远程医疗项目中的表现。

2. 方法

本研究获得波特兰俄勒冈健康与科学大学机构审查委员会的批准，用于回顾性评估俄勒冈州塞勒姆市塞勒姆医院现有ROP远程医疗筛查项目的图像资料。
我们纳入了2015年9月至2018年6月期间符合ROP筛查标准且接受过一次或多次远程医疗检查的所有受试者。所有受试者的广角视网膜图像均由经过培训的新生儿护理师使用RetCam（Natus Medical Incorporated，美国加州普莱森顿）拍摄，力求每次检查都能获取尽可能完整的眼底图像。
图像在24小时内安全上传并传输，由眼科医师根据国际ROP分类标准（ICROP）进行分级诊断[6]。所有1型或2型ROP患儿被归类为需转诊ROP（RR-ROP），并视情况转至俄勒冈健康与科学大学接受进一步评估和治疗。所有非RR-ROP患者均在出院后1-2周内安排门诊随访，直至其ROP消退或得到有效治疗。

在深度学习分析中，我们为每次眼部检查手动选取单张后极部图像进行分析。
（1）采用先前发表的方法，通过ROP影像学与信息学深度学习系统（i-ROP DL）为每张图像分配1-9分的血管严重程度评分，该评分代表plus病诊断概率的递增[4]。
（2）我们计算了血管严重程度评分在横断面检测RR-ROP诊断能力的受试者工作特征曲线下面积（AUC）。
（3）通过方差分析，我们还比较了以下类别的平均血管严重程度评分：无ROP、轻度ROP和RR-ROP。
（4）最后，我们对2例进展为RR-ROP的患儿与无需治疗患儿的ROP血管严重程度评分进行了纵向变化对比分析。

3. 结果

本研究共纳入81例符合标准的受试者（图1 汇总），分析了613次远程眼科检查。每名婴儿平均接受3.8±2.3次远程检查（范围：1-10次）。纳入婴儿的平均出生胎龄（PMA）为29.2±2.1周，平均出生体重为1240±235克。2例患者（2%）的4只眼在远程筛查期间发展为需转诊ROP（RR-ROP）。需转诊婴儿的平均胎龄为25周，平均体重为795克。

横断面分析显示，RR-ROP患眼的平均血管严重程度评分显著高于非RR-ROP患眼（P<0.001）（图2）。血管严重程度评分检测RR-ROP的受试者工作特征曲线下面积（AUC）为0.99。若将诊断阈值设为3分（1-9分量表），则该人群诊断RR-ROP的敏感度为100%，特异度为90%。

2例RR-ROP患儿的血管严重程度评分均在临床确诊前呈现上升趋势（图3）。另有1例婴儿在出院5周后发展为RR-ROP——该患儿于胎龄37周时出院（II区2期病变），后续接受2次门诊眼底检查，最终在42周时被确诊为1型ROP并接受治疗。

图1 .研究数据流程图。
使用深度学习算法进行分析的患者资格和纳入标准以及筛选合格的所有婴儿的临床结果。
NICU，新生儿重症监护室；ROP、早产儿视网膜病变；Rr-Rop，Reference-Requesting Rop (所有1型和2型疾病)。

图2 .血管严重度评分作为远程医疗诊断函数的箱线图。
方框和条形框代表合并的婴儿血管严重程度评分，每个类别的离群值由圆形表示。

图3 .对接受ROP远程医疗筛查的患者进行ROP血管严重程度的纵向评估。
箱线图显示未发生RR - ROP的患者在每个时间点的血管严重程度评分的分布，以圆圈表示每个类别的离群值。
2例患儿在右眼(实性线)和左眼(虚线)均发生RR - ROP，在诊断RR - ROP、ROP转移和治疗前可观察到相应的血管严重程度变化。

4. 讨论

这些结果初步验证了人工智能在ROP高危患者筛查中可能发挥作用的设想。

本研究存在若干局限：
（1）首先，样本量受限于一家社区医院三年内的实际ROP筛查需求，可能无法代表其他ROP筛查人群；
（2）其次，我们纳入了研究期间所有采集的图像，而人工选取图像的质量和视野范围存在差异。

未来研究需要评估是否可以通过调整诊断临界值或更加关注图像质量和视野范围来提高特异性[7]。随着进一步的前瞻性验证，这项技术有望提高诊断的准确性、效率和客观性，并可能帮助更早发现潜在致盲性ROP患者的疾病进展。

5. 参考文献

1. Ells AL, Holmes JM, Astle WF, et al. Telemedicine approach to screening for severe retinopathy of prematurity: a pilot study. Ophthalmology 2003;110:2113–17. [PubMed: 14597517]
2. Schwartz SD, Harrison SA, Ferrone PJ, Trese MT. Telemedical evaluation and management of retinopathy of prematurity using a fiberoptic digital fundus camera. Ophthalmology 2000;107:25–8. [PubMed: 10647714]
3. Weaver DT, Murdock TJ. Telemedicine detection of type 1 ROP in a distant neonatal intensive care unit. J AAPOS 2012;16:229–33. [PubMed: 22681938]
4. Brown JM, Campbell JP, Beers A, et al.; Imaging and Informatics in Retinopathy of Prematurity (iROP) Research Consortium. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol 2018;136:803–10. [PubMed: 29801159]
5. Redd TK, Campbell JP, Brown JM, et al.; Imaging and Informatics in Retinopathy of Prematurity (iROP) Research Consortium. Evaluation of a deep learning image assessment system for detecting severe retinopathy of prematurity. Br J Ophthalmol 2018; [Epub ahead of print]
6. The International Committee for the Classification of Retinopathy of Prematurity. The International Classification of Retinopathy of Prematurity revisited. Arch Ophthalmol 2005;123:991–9. [PubMed: 16009843]
7. Coyner AS, Swan R, Campbell JP, et al. Automated fundus image quality assessment in retinopathy of prematurity using deep convolutional neural networks. Ophthalmol Retina 2019;3:444–50. [PubMed: 31044738]

版权说明：
本文由 youcans@xidian 对论文 Evaluation of artificial intelligence-based telemedicine screening for retinopathy of prematurity 进行摘编和翻译。该论文版权属于原文期刊和作者，本译文只供研究学习使用。

youcans@xidian 作品，转载必须标注原文链接：
【医学影像 AI】基于 AI 的远程筛查 ROP 效果评价(https://youcans.blog.csdn.net/article/details/147407033)
Crated：2025-04