传统的 DR 筛查主要依靠眼科医生直接检查，但眼科医生数量相对患者数量严重不足，如印度仅有约 20,000 名眼科医生，却要为大量需要年度筛查的人群服务，这使得传统筛查方法难以满足需求。虽然视网膜彩色摄影、眼底成像及远程医疗等技术的出现，让 DR 筛查有了一些改善，但仍存在诸多问题。
在此背景下，人工智能（Artificial intelligence，AI）技术的兴起为 DR 筛查带来了新的曙光。AI，尤其是深度学习（Deep learning，DL），在分析复杂图像数据方面展现出了巨大的潜力。它可以快速处理大量的医学图像，为疾病诊断提供有力支持。然而，AI 算法的有效应用需要大量准确标注的数据，即 “ground truth”，以及涵盖各种 DR 病变的高分辨率眼底图像数据库。现有的数据库，如印度糖尿病视网膜病变图像数据集（IDRiD）、法国的 Messidor 数据库和美国的 EyePACS 数据库等，都存在各自的局限性，无法满足 AI 算法训练的需求。
为了攻克这些难题，来自印度马德拉斯糖尿病研究基金会、视觉研究基金会 / 桑卡拉眼科医院、印度统计研究所、国家技术学院等多个机构的研究人员携手合作，开展了一项多中心研究。他们的目标是构建一个大规模的在线 “视网膜图像数据库”，并开发出一种经济高效、强大的基于 AI 的 DR 诊断工具。这项研究成果发表在《Scientific Reports》上，为 DR 的检测和管理带来了新的希望。
研究的技术方法
在这项研究中，研究人员采用了多种关键技术方法。首先，他们从马德拉斯糖尿病研究基金会（MDRF）和视觉研究基金会（VRF）/ 桑卡拉眼科医院（SN）的电子病历数据库中获取视网膜彩色照片（眼底图像）。这些图像来自蔡司 FF 450 plus 相机和 Topcon 相机，具有 50° 视野、以黄斑为中心的后极部图像。
其次，研究人员开发了 DBT-AI-DR 分级平台。该平台基于 Golang、NodeJS、JavaScript 和 MySQL 服务器等技术构建，运行在网络浏览器上。平台具备多个功能模块，如摄入模块可从共享谷歌云端硬盘文件夹导入图像；分级工作流程模块将图像自动分配给 8 名验光师进行分级，若有分歧则由高级视网膜专家进行最终评估；注释工具模块可标记 11 种与 DR 相关的病变；仪表盘模块方便负责人跟踪工作流程进度；下载工具模块为 AI 工具训练和开发人员提供分级图像及其相关数据。
此外，研究人员对 8 名验光师进行了严格的培训，使其获得 DR 分级国际认证。在图像标注过程中，遵循国际临床糖尿病视网膜病变（ICDR）严重程度量表和国际糖尿病黄斑水肿（DME）严重程度量表进行分级和注释。最后，利用标注好的图像数据训练 AI 算法，通过将输出结果与 ground truth 标签进行比较，验证算法的准确性。
研究结果
数据库构建成果：研究人员成功构建了一个综合性的印度视网膜图像数据库。该数据库包含了大量匿名化的高分辨率视网膜彩色照片，这些图像与相关的系统细节整合在大数据框架中，并提供了 DR 分级和诊断的 ground truth。目前，约 1974 张无 DR 的匿名眼底图像和 1798 张不同 DR 严重程度的视网膜图像已上传至 DBT-AI-DR 平台，并进行了注释和标注，不过其中有 134 张因介质混浊等原因被分类为不可分级图像1。
AI 算法训练进展：标注好的图像数据被用于训练 AI 算法，以预测 DR。数据库提供了 11 种 DR 病变的病变级注释，这些注释对于验证多种目标检测方法（如单镜头检测器、Faster-RCNN、Retina-Net 和基于 YOLO 的框架）非常有价值。研究人员还详细介绍了如何从 JSON 文件创建图像的二进制掩码，用于目标检测任务。在训练过程中，使用了多种分类网络（如 inception v3、ResNET 和基于注意力的网络），并在该数据库上进行验证，以评估筛查准确性23。
解决挑战的措施及效果：针对 DR 检测 AI 工具开发过程中遇到的挑战，研究人员采取了一系列措施。例如，使用散瞳后的视网膜图像训练 AI 算法，减少不可分级图像的比例；使用经过 CE 认证的高质量眼底相机进行视网膜成像，对验光师 / 摄影师进行培训以遵循标准化成像协议，获取高质量高分辨率图像；通过多个认证分级人员参与和仲裁分级，解决分级者之间的差异问题；基于计算出的样本量，使用大量视网膜图像数据训练 AI 算法。这些措施有效提高了 AI 算法的准确性和可靠性4。
研究结论与意义
这项研究具有重要的意义。通过构建大规模、高分辨率且标注详细的视网膜图像数据库平台，以及严格的图像分级培训、标准化的 DR 严重程度分级协议和强大的 AI 模型训练与验证框架，研究人员确保了基于 AI 的 DR 检测工具的可靠性和准确性。
独特设计的 DBT-AI-DR 平台为视网膜图像的摄入、分级和注释提供了一个高效、用户友好的流程。该研究不仅丰富了 DR 研究的数据资源，还为未来基于 AI 的其他视网膜疾病检测和分类研究奠定了基础。
研究开发的经济高效的 “印度制造” AI 工具，有望在没有眼科医生的情况下实现准确的 DR 诊断，这将在初级医疗保健层面产生重大影响。未来，该工具可实时部署在基于远程医疗的 DR 筛查项目中，帮助更多糖尿病患者及时发现和治疗 DR，有效预防失明，改善患者的生活质量，为全球 DR 防控事业做出重要贡献。
