背景：糖尿病性黄斑水肿(DME)是一种眼部疾病，主要折磨患有糖尿病的个体。DME的特点是视网膜内液在内外网状层内积累，可引起视网膜增厚并逐渐损害视力，最终可能导致不可逆的视力丧失。为了检测这种情况，临床医生通常使用光学相干断层扫描(OCT)，这是一种能够产生高分辨率眼睛图像的技术。某些参数，被称为OCT图像中的生物标志物，作为DME的关键指标。这些包括中央子场厚度(CST)、视网膜内层紊乱(DRIL)、囊状间隙、椭球区(EZ)和高反射焦点(HRF)，所有这些显示与DME有很强的相关性。

DRIL表示在OCT图像中无法区分内核层(INL)、外网状层(OPL)和神经节细胞层-内网状层(GCL-IPL)复合体之间的边界。另一方面，HRF代表小而圆的病变，其反射率等于或超过视网膜色素上皮(RPE)。目前，临床医生依靠OCT图像中的这些生物标志物(参见图1)来确定DME的存在。然而，作为一个手动过程，它也不能幸免于错误。假阴性可能会导致疾病不受控制地发展，从而对患者的视力造成永久性影响。因此，及时、准确地识别DME是有效治疗该病的关键。

多年来，已经进行了多次尝试，以开发基于人工智能(AI)的决策支持系统(DSS)，通过利用医学图像和识别基于深度学习的模型的有效性来治疗眼病。考虑到现实世界适应性的必要性，共识倾向于DSS提出的一个透明、可解释的决定，与不透明但高度准确的决定相比，它更可取。我们的调查深入研究了一个面向人工智能的系统，该系统利用患者的OCT B超图像来开发一个全面的自动化模型，旨在确定DME的严重程度。这个系统的基石是模糊逻辑，这是一种擅长处理不确定性和模糊性的数学范式。OCT图像的内在可变性被模糊逻辑所适应，允许系统基于模糊集和语言规则做出决策。我们的系统从OCT图像中提取与DME严重程度相关的不同生物标志物的特征，即DRIL、HRF和囊样病变。通过检查OCT B超图像中这些特征的存在和特征，基于模糊逻辑的系统旨在提供对DME严重程度的客观和自动评估。这可以帮助临床医生做出准确的诊断，监测疾病的进展，并为DME患者确定合适的治疗策略。

目的：在这篇文章中，我们研究了一个人工智能(AI)驱动的系统，它提供了一个端到端的自动化模型，旨在使用OCT B超图像准确地确定DME的严重程度

方法：该模型通过从OCT图像中提取特定的生物标志物来运行，例如视网膜内层的解体(DRIL)、高反射病灶(HRF)和囊样病变，然后利用这些生物标志物来确定DME的严重程度。指导模糊逻辑引擎的规则来自DME领域的当代研究及其与OCT图像中明显的各种生物标志物的关联。

结果：所提出的模型表现出高效性，以93.3%的准确度识别具有DRIL的图像，并且以分别为91.30%和95.07%的dice相似性系数成功地从OCT图像中分割HRF和囊样样病变。

图1.OCT B超图像：(A)DME和(B)正常。

图2 典型的OCT B超图像：(a，b)与Dril(c，d)正常。

图3 VGG-19网络

图4 U-Net网络架构

图5 HRF分割结果：(A)原始图像(B)分割图。

结论：这项研究提出了一个全面的系统，能够使用OCT B扫描图像准确地对DME的严重程度进行分级，在DME的临床评估和治疗中作为一个潜在的无价工具。

原始出处：

Tripathi A,  Kumar P,  Tulsani A,et al.Fuzzy Logic-Based System for Identifying the Severity of Diabetic Macular Edema from OCT B-Scan Images Using DRIL, HRF, and Cystoids.Diagnostics (Basel) 2023 Jul 31;13(15)