糖尿病视网膜病变(DR)是世界范围内可预防失明的主要原因。DR进展的风险在不同的个体之间是高度可变的，这使得预测风险和个性化筛查间隔变得困难。

2024年1月4日，上海交通大学贾伟平、李华婷、盛斌及清华大学黄天荫共同通讯在Nature Medicine在线发表题为“A deep learning system for predicting time to progression of diabetic retinopathy”的研究论文，该研究开发并验证了一个深度学习系统(DeepDR Plus)，该系统仅依靠从眼底图像即可以预测5年内DR的进展时间。首先，使用来自179,327名糖尿病患者的717,308张眼底图像对系统进行预训练。随后，使用多种族数据集训练并验证了该系统，该数据集包含来自29,868名糖尿病患者的118,868张图像。

在预测DR进展时间方面，该系统的一致性指数为0.754-0.846，综合Brier评分为0.153-0.241，时间跨度为5年。此外，在现实世界的糖尿病患者队列中也验证了该系统。与临床工作流程的整合可能会将平均筛查间隔从12个月延长到31.97个月，建议在1-5年内进行筛查的参与者比例分别为30.62%，20.00%，19.63%，11.85%和17.89%，而延迟检测到视力威胁DR的比例为0.18%。总之，DeepDR Plus系统可以预测个体化风险和5年内DR进展的时间，有可能实现个性化筛查间隔。

DR是糖尿病最常见的微血管并发症，也是导致20-74岁成人可预防失明的主要原因。值得注意的是，DR主要在早期无症状发展和进展，直到疾病晚期发生视力丧失。然而，DR进展的风险在不同的个体之间是高度可变的，受许多可改变和不可改变的风险因素的影响。目前，还无法确定哪些糖尿病患者会发生DR或进展更快或更慢。因此，国家和国际组织广泛建议所有无DR或轻度DR的糖尿病患者每年进行DR常规筛查。

许多糖尿病患者在发展为严重的DR之前，在专科眼科诊所或医院接受监测和随访，有时仅在2年内进行筛查。虽然先前的研究表明，作为一个群体，DR通常是一种进展缓慢的疾病，对于具有相似危险因素和DR严重程度的患者亚组，估计进展风险是可行的，但由于难以准确预测个体DR的风险和发展时间，因此将筛查间隔从1年延长到2年(甚至3年)一直具有挑战性。许多医生和国家DR筛查项目对推荐这种方法非常犹豫，尽管它将具有很高的成本效益。

人工智能(AI)在医学中扮演着越来越重要的角色。深度学习(DL)与卷积神经网络已经被开发用于从视网膜照片中自动检测DR。然而，很少有研究使用基于视网膜图像的深度学习系统来预测DR的风险。此外，现有的研究也存在严重的空白。首先，关于DR发病和进展的风险预测，以前的DL模型只关注基线就诊后2年内的风险分层。这对于像DR这样的慢性疾病是不够的，因为大多数患者在2年内不会发展DR进展。其次，在以前的研究中，对个体DR发病和进展时间的自动预测尚未进行过探索。第三，需要研究评估基于视网膜图像的深度学习系统在整合到临床工作流程中时对患者预后的影响。在将基于视网膜图像的深度学习系统纳入DR筛查计划之前，需要解决这些差距。

DeepDR Plus系统的设计（图源自Nature Medicine ）

该研究开发了DeepDR Plus，这是一个可以预测个性化风险和DR进展时间的系统，仅基于基线眼底图像。进一步的实际研究表明，将该系统整合到患者的临床工作流程中，可能会将平均筛查间隔从目前的12个月延长到31.97个月(近3年)，同时减少对DR进展的延迟检测。因此，DeepDR Plus系统具有整合临床和数字工作流程的巨大潜力，有望促进DR管理的个性化干预策略。

原文链接：

https://www.nature.com/articles/s41591-023-02702-z