近日，澳门科技大学医学院张康教授联合北京邮电大学、医院、中医院等团队在年6月出版的《自然?生物医学工程》（NatureBiomedicalEngineering）上发表两项使用深度学习方法分析影像学资料从而实现疾病诊断或筛查的研究：一项研究通过分析视网膜眼底图像识别慢性肾脏疾病（chronickidneydisease，CKD）和2型糖尿病（type2diabetesmellitus，T2DM），并预测疾病进展[1]；另一项则通过分析胸部X线片（CXR）区分不同类型肺炎，特别是诊断COVID-19肺炎以及病情分级[2]。
虽然这两项研究使用的图像类型和疾病类型均不相同，但其均采用了最新的深度学习方法，针对不同模态医学影像大数据的特点对AI模型进行训练，让其获得媲美专业医生的诊断能力；之后，再通过多个内部和外部测试集数据，对开发出的系统进行真实场景下的临床检测，验证人工智能模型的跨医疗机构、跨人群的泛化性能。
张康近年致力于医学AI相关研究。8月29日，他将在“AI+医疗：守正创新，智造未来”(点击查看详情)峰会与NEJM主编及AI医疗专家探讨AI临床研究范式等话题。
AI助力CKD和T2DM筛查和预测
CKD和T2DM均是发病率高、并发症多的慢性疾病，其早期发现和早期干预对于预防疾病进展、改善预后至关重要。
CKD常规筛查需要估算肾小球滤过率和测定尿蛋白，而糖尿病的诊断则需要测定空腹血糖；要检测这两种疾病，需要取得血液或尿液样本。相较而言，视网膜眼底照相这种无创检查则更为便捷。视网膜眼底照相已经广泛用于糖尿病眼病筛查，视网膜也与肾脏有着密切生物学关系，有研究表明视网膜微血管异常与CKD相关[3]。
张康领衔的此项研究旨在开发出一种不仅能识别罹患CKD/T2DM，而且能预测疾病进展的AI系统。该项研究构建了眼底图像数据库，其中包括横向数据集和纵向数据集。横向数据集随机分组后用于AI系统的训练、调整以及内部测试。之后应用两个外部数据集进行外部测试：第1个是年度体检数据集，第2个是智能手机采集的眼底图像数据集。
在开发疾病预测AI模型时，作者纳入两个纵向随访队列数据集。第1个数据集追踪了人6年的年度体检记录。第2个数据集为外部验证集，追踪了每年进行体检的名参与者的5年检测记录。
研究结果显示，通过深度学习技术开发的AI系统可用于检出CKD和T2DM。在检出CKD方面，仅通过分析视网膜眼底图像，受试者操作特征曲线（ROC）的曲线下面积（AUC）可达0.；如果结合年龄、性别、身高、体重等临床基线数据，AUC可达0.。在预测早期CKD方面，眼底图像模型的AUC为0.，联合模型可达0.。
该AI系统根据眼底图像预测的估算肾小球滤过率和测量值之间有较高一致性，组内相关系数为0.65；第一个外部测试数据集的组内相关系数为0.62，智能手机采集的眼底图像的组内相关系数亦达0.53。
在检出T2DM方面，眼底图像模型的AUC为0.，联合模型的AUC升至0.；外部测试也取得了相似结果。更为重要的是，对于没有糖尿病视网膜病变的眼底图像，AI系统也可准确识别，即该系统在出现糖尿病视网膜病变前便可检出T2DM。此外，该系统还可根据眼底图像预测平均血糖水平。
这一系统在预测CKD和T2DM疾病进展风险方面也表现出了较高准确性。眼底图像联合临床数据预测CKD疾病进展的一致性指数（C-index）可达0.，预测T2DM进展的C-index为0.。外部数据集对该AI系统进行测试取得了和内部测试较为一致的结果。
作者开发的这套AI系统可以发现人类无法识别的亚临床变化，从而为CKD和T2DM筛查提供了一种无创、高通量和低成本筛查工具，该技术的广泛应用将推动CKD和T2DM早期检出并识别出高危人群。
特别需要指出的是，该AI系统分析智能手机采集的眼底图像也获得较好结果，在检出CKD方面，眼底图像模型的AUC为0.，联合模型为0.。鉴于智能手机已大量普及，这无疑是医疗条件受限的偏远地区患者的福音。既能诊断疾病又能预测发病风险是此项研究的另一优势。通过AI系统监测，对高风险人群尽早做出干预，具有重要现实意义。
作者也指出，该AI系统还可以在下列方面进一步提高：增加训练数据集的种族多样性；引入额外的临床元数据（如血压、吸烟饮酒情况和家族史）等提高预测准确性。
AI赋能肺炎鉴别诊断
此前，张康就曾开发过基于胸部CT的COVID-19肺炎AI辅助诊断系统，诊断准确率高达90%[4]。而新发表的这篇文章则基于CXR图像开发了新的AI肺炎诊断模型。
CXR是常见肺部疾病的重要检查手段。与CT相比，CXR图像清晰度欠佳，也缺乏三维信息，但其也具有方便快捷等优势，使其更适合作为急诊、偏远欠发达地区肺部疾病的一线诊断工具。
在该项研究中，作者使用了两个大型数据集开发AI系统。第1个数据集包括,万张常见胸部疾病的CXR影像，第2个数据集包含16,张包括COVID-19肺炎在内的疑似肺炎的CXR影像，并且还使用来自不同国家的四个患者队列的数千张影像进行了前瞻性和回顾性测试。
该AI系统包括三个模块：首先是CXR标准化模块，利用解剖标志进行图像配准；之后是常见胸部疾病检测模块，将标准化的CXR图像分为包括肺炎在内的14种常见病变类型；最后是肺炎分析模块，用于评估肺炎亚型和COVID-19严重程度。
作者首先利用肺部常见病变类型进行AI模型训练、验证和测试。在测试环节，AI系统鉴别肺炎与其他病变类型的AUC为0.；肺部阴影总体鉴别AUC为0.。
作者进而训练了AI系统鉴别病毒性肺炎的能力，结果发现该系统鉴别病毒性肺炎的敏感性达92.94%，特异性87.04%，AUC达0.。采用四个患者队列进行外部验证获得了相似结果。
经过训练，AI系统可特异性识别COVID-19肺炎，AUC可达0.，敏感性92.07%，特异性90.12%。但该系统检出重症COVID-19的能力优于检出非重症COVID-19。在预测COVID-19肺炎严重程度方面，作者分别将AI系统预测结果与放射科医生评估结果以及临床病情相比较。他们发现，AI系统的预测结果与放射科医生诊断结果一致性良好，相关系数达0.81；在预测临床重症方面，AI系统AUC为0.，特异性80.65%，敏感性82.05%。
本研究随后比较了AI系统与放射科医生在诊断病毒性肺炎、其它类型肺炎和正常组的表现。该系统的诊断水平与拥有超过20年经验的资深放射科医生相当，AUC达0.。敏感性略高于有超过10年经验的低年资放射科医师，特异性则与之相当。而且AI系统有助于提高低年资放射科医师诊断水平，其平均加权错误率从27.44%降至9.82%。
该AI系统不仅可以准确识别病毒性肺炎和COVID-19，还能够辅助放射科医师工作，提高其检测水平，是一种非常有潜力的工具。尤其是在SARS-CoV-2流行期间，该系统有助于提高COVID-19检测准确性，降低PCR检测假阴性率，对疾病严重程度预测也有利于对患者死亡风险进行评估，从而及早发现和干预。
最后，作者指出了本研究的局限性：首先，该AI系统训练的数据中90%以上均具有不正常的影像结果，因此其在诊断非常早期COVID-19方面的能力需要进一步验证；其次，它在区分急性呼吸窘迫综合征和COVID-19上的能力有限，但作者认为结合其它临床表现和实验室检测就可区分二者。
参考文献
1.ZhangK,LiuX,XuJ,etal.Deep-learningmodelsforthedetectionandincidencepredictionofchronickidneydiseaseandtype2diabetesfromretinalfundusimages.NatBiomedEng;5:-45.2.WangG,LiuX,ShenJ,etal.Adeep-learningpipelineforthediagnosisanddiscriminationofviral,non-viralandCOVID-19pneumoniafromchestX-rayimages.NatBiomedEng;5:-21.3.SabanayagamC,XuD,TingDSW,etal.Adeeplearningalgorithmtodetectchronickidneydiseasefromretinalphotographsin