Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hệ thống học sâu dựa trên hình ảnh võng mạc để phát hiện cường giáp: một nghiên cứu chẩn đoán đa trung tâm
Tóm tắt
Việc sàng lọc cường giáp bằng các tiêu chí chẩn đoán tiêu chuẩn vàng trong cộng đồng chung không hiệu quả về chi phí, dẫn đến tỷ lệ bệnh nhân không chẩn đoán và không được điều trị tương đối cao. Nghiên cứu này nhằm xây dựng một hệ thống dựa trên học sâu để phát hiện cường giáp dựa trên hình ảnh võng mạc. Nghiên cứu quan sát đa trung tâm đã bao gồm các hình ảnh võng mạc được chụp từ những người tham gia tại hai bệnh viện và 24 trung tâm chăm sóc sức khỏe trên toàn Trung Quốc. Chúng tôi đã đào tạo hai mô hình để xác định cường giáp: trong mô hình #1, những cá nhân không bị cường giáp được chọn ngẫu nhiên, trong khi ở mô hình #2, nhóm không bị cường giáp được ghép tuổi và giới tính với nhóm bị cường giáp. Sau khi xác thực nội bộ, chúng tôi đã chọn mô hình tốt hơn để đánh giá thêm bằng các bộ dữ liệu xác thực bên ngoài. Nghiên cứu bao gồm 22.940 hình ảnh võng mạc của 11.409 người tham gia để phát triển mô hình, và 3.862 hình ảnh võng mạc (1.870 người tham gia) được thu thập từ hai bệnh viện và bốn trung tâm y tế làm các bộ dữ liệu xác thực bên ngoài. Mô hình #1 đạt được diện tích dưới đường cong nhận dạng (AUC) cao hơn mô hình #2 (0.907, 95% CI: 0.894–0.918 so với 0.850, 95% CI: 0.832–0.866) trong xác thực nội bộ, vì vậy mô hình #1 đã được sử dụng cho đánh giá thêm. Trong các bộ dữ liệu bên ngoài, mô hình #1 đạt được các AUC từ 0.816 (95% CI 0.789–0.846) đến 0.849 (95% CI 0.824–0.874) và đạt được độ chính xác từ 0.735 (95% CI 0.700–0.773) đến 0.796 (95% CI 0.765–0.824). Bản đồ nhiệt cho thấy sự tập trung của thuật toán DL vào các mạch máu lớn của nền võng mạc và đầu dây thần kinh thị giác. Các hình ảnh võng mạc có thể phục vụ cho các hệ thống DL như một phương pháp hiệu quả về chi phí và không xâm lấn để phát hiện cường giáp.
Từ khóa
#cường giáp #học sâu #hình ảnh võng mạc #chẩn đoán đa trung tâm #AUC #xác thựcTài liệu tham khảo
Mullur R, Liu YY, Brent GA. Thyroid hormone regulation of metabolism. Physiol Rev. 2014;94(2):355.
De Leo S, Lee SY, Braverman LE. Hyperthyroidism. Lancet. 2016. https://doi.org/10.1016/S0140-6736(16)00278-6.
Hollowell JG, Staehling NW, Flanders WD, et al. Serum TSH, T(4), and thyroid antibodies in the United States population (1988 to 1994) national health and nutrition examination survey (NHANES III). J Clin Endocrinol Metab. 2002;87(2):489.
Ross DS, Burch HB, Cooper DS, et al. 2016 american thyroid association guidelines for diagnosis and management of hyperthyroidism and other causes of thyrotoxicosis. Thyroid. 2016;26(10):1343.
Garmendia Madariaga A, Santos Palacios S, Guillén-Grima F, Galofré JC. The incidence and prevalence of thyroid dysfunction in Europe: a meta-analysis. J Clin Endocrinol Metab. 2014;99(3):923.
Asban A, Chung SK, Tresler MA, et al. Hyperthyroidism is underdiagnosed and undertreated in 3336 patients: an opportunity for improvement and intervention. Ann Surg. 2018;268(3):506.
LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436.
Poplin R, Varadarajan AV, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature Biomed Eng. 2018;2(3):158.
Varadarajan AV, Poplin R, Blumer K, et al. Deep learning for predicting refractive error from retinal fundus images. Invest Ophthalmol Visual Sci. 2018;59(7):2861.
Shkolyar E, Jia X, Chang TC, et al. Augmented bladder tumor detection using deep learning. Eur Urol. 2019;76(6):714.
Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402.
Mitani A, Huang A, Venugopalan S, et al. Detection of anaemia from retinal fundus images via deep learning. Nat Biomed Eng. 2020;4(1):18.
Xiao W, Huang X, Wang JH, et al. Screening and identifying hepatobiliary diseases through deep learning using ocular images: a prospective, multicentre study. Lancet Digit Health. 2021. https://doi.org/10.1016/S2589-7500(20)30288-0.
Rim TH, Lee G, Kim Y, et al. Prediction of systemic biomarkers from retinal photographs: development and validation of deep-learning algorithms. Lancet Digit Health. 2020. https://doi.org/10.1016/S2589-7500(20)30216-8.
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. ArXiv. 2014;1409:1556.
He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition 2016.
Szegedy C, Vanhoucke V, Ioffe S, et al. 2016. Rethinking the inception architecture for computer vision. Proceedings of the IEEE conference on computer vision and pattern recognition.
Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Densely connected convolutional networks. Proceedings of the IEEE conference on computer vision and pattern recognition 2017.
Kingma DP, Ba J. Adam a method for stochastic optimization. arXiv. 2014;1412:6980.
Ketkar N. Introduction to pytorch Deep learning with python. Berlin: Springer; 2017.
Selvaraju RR, Cogswell M, Das A, et al. Grad-cam: Visual explanations from deep networks via gradient-based localization. Proceedings of the IEEE international conference on computer vision 2017.
Chihara LM, Hesterberg TC. Mathematical statistics with resampling and R. Hoboken: John Wiley & Sons; 2018.
Rim TH, Lee G, Kim Y, et al. Prediction of systemic biomarkers from retinal photographs: development and validation of deep-learning algorithms. Lancet Digit Health. 2020;2(10):e526.
Sato W, Hoshi K, Kawakami J, et al. Assisting the diagnosis of graves’ hyperthyroidism with bayesian-type and som-type neural networks by making use of a set of three routine tests and their correlation with free T4. Biomed Pharmacother. 2010;64(1):1.
Aoki S, Hoshi K, Kawakami J, et al. Assisting the diagnosis of Graves’ hyperthyroidism with pattern recognition methods and a set of three routine tests parameters, and their correlations with free T4 levels extension to male patients. Biomed Pharmacother. 2011;65(2):95.
Lai FHP, Iao TWU, Ng DSC, et al. Choroidal thickness in thyroid-associated orbitopathy. Clin Exp ophthalmol. 2019;47(7):918.
Zhang T, Xiao W, Ye H, et al. Peripapillary and macular vessel density in dysthyroid optic neuropathy an optical coherence tomography angiography study. Invest Ophthalmol Vis Sci. 2019;60(6):1863.
Mihailovic N, Lahme L, Rosenberger F, et al. Altered retinal perfusion in patients with inactive graves ophthalmopathy using optical coherence tomography angiography. Endocr Pract. 2020;26(3):312.
Yu L, Jiao Q, Cheng Y, et al. Evaluation of retinal and choroidal variations in thyroid-associated ophthalmopathy using optical coherence tomography angiography. BMC Ophthalmol. 2020. https://doi.org/10.1186/s12886-020-01692-7.
Teo L, Cheung C, Tay WT, Wong TY. Associations between thyroid dysfunction and retinal microvascular changes. Invest Ophthalmol Vis Sci. 2011;52(14):5106.
Devereaux D, Tewelde SZ. Hyperthyroidism and thyrotoxicosis. Emerg Med Clin North Am. 2014;32(2):277.