MONA.health人工智能软件在糖尿病视网膜病变和黄斑病变筛查中的诊断准确性与现实优势

《Diagnostics》：Diagnostic Accuracy and Real-Life Advantages of the MONA.health Artificial Intelligence Software in Screening for Diabetic Retinopathy and Maculopathy Martina Tomi?, Romano Vrabec, Toma Babi?, Kristina Kljaji? and Tomislav Bulum

　　

背景/目标：本研究旨在评估MONA.health人工智能（AI）软件（版本1.0.0；MONA.health，比利时鲁汶）的诊断准确性，并将其在糖尿病视网膜病变（Diabetic Retinopathy, DR）和糖尿病性黄斑水肿（Diabetic Macular Edema, DME）筛查中的优势与标准眼底照相进行比较。方法：这项横断面、现实生活中的仪器验证研究在萨格勒布Vuk Vrhovac大学诊所的常规DR筛查期间进行，共纳入296名糖尿病（Diabetes Mellitus, DM）患者（592只眼）。在使用45° Zeiss VISUCAM NM/FA相机（Carl Zeiss Meditec AG，德国耶拿）进行标准眼底照相后，每名患者还使用自动便携式视网膜相机（NFC-600, Crystalvue Ophthalmic Instruments，中国台湾桃园市）进行了成像。两位视网膜专科医生独立对标准相机获取的图像进行分级，而NFC-600获取的图像则使用MONA.health AI软件进行分析。结果：在592只眼中，人工分级识别出81只眼患有任何级别的DR，包括17只眼为轻度非增殖性糖尿病视网膜病变（Non-Proliferative Diabetic Retinopathy, NPDR），64只眼为需转诊的DR（中度/重度NPDR或增殖性糖尿病视网膜病变(Proliferative Diabetic Retinopathy, PDR)），以及13只眼患有DME。MONA.health AI软件识别出65只眼有需转诊的DR和19只眼有DME。与标准眼底相机相比，用于MONA DR筛查的曲线下面积（Area Under the Curve, AUC）、灵敏度、特异度、阳性预测值、阴性预测值、阳性似然比、阴性似然比、Kappa一致性、诊断比值比和诊断有效性分别为99.74%、100%、99.81%、99.33%、100%、528.00、0.00、0.99、无限大和99.85%。对于MONA DME筛查，这些指标分别为97.97%、100%、98.95%、85.93%、100%、95.67、0.00、0.81、无限大和99.02%。MONA AI筛查过程需要1天培训，图像采集和分析耗时约5分钟，而标准方法需要7天培训和13分钟用于图像获取和分级。结论：这些发现表明，MONA.health AI软件在筛查和早期检测需转诊的DR和DME方面，与标准眼底照相的准确性相当，同时提供了更快、更简单、更用户友好的工作流程，显著缩短了获得筛查结果的时间。

研究背景与问题：糖尿病视网膜病变是导致成年人工作人群可预防性失明的主要原因，全球糖尿病患者人数预计在2045年将达到7.83亿，DR病例预计将从目前的1亿多例增至1.6亿例以上。早期识别无症状期的DR对降低视力损伤风险至关重要。基于人群的DR筛查项目被认为是预防糖尿病相关视力丧失最有效且经济可持续的策略。然而，眼科医生手动解读视网膜图像无法满足大规模筛查需求。尽管已出现多种基于人工智能的筛查工具，但许多AI模型因训练数据多样性不足，其预测准确性在不同人群、医疗环境或地理区域中往往无法推广，且性能评估很少在特定亚组中进行，这引发了关于其在未接触过的患者群体中应用可靠性的担忧。因此，本研究旨在现实临床实践中评估MONA.health AI软件的诊断准确性，并将其在DR和DME筛查中的实际优势与标准眼底照相进行比较。

研究概述与发表：研究人员在克罗地亚萨格勒布的Vuk Vrhovac大学诊所糖尿病、内分泌和代谢疾病中心开展了一项横断面、现实生活中的仪器验证概念验证研究，该研究发表于《Diagnostics》期刊。研究共纳入296名（592只眼）年龄大于18岁的1型糖尿病和2型糖尿病患者。所有参与者均签署知情同意书。研究的主要结论是，MONA.health AI软件在检测需转诊的DR和DME方面，与标准眼底照相和人工分级相比，表现出极高的诊断准确性（灵敏度100%，特异度>98%），且筛查流程更快捷、用户友好，可显著减少获取结果的时间。这项研究证实了该AI软件作为大规模DR筛查有效工具的潜力，有助于优化临床工作流程和资源分配。

关键技术方法概要：研究采用了标准眼底相机（45° Zeiss VISUCAM NM/FA）与便携式自动视网膜相机（NFC-600）对同一批患者进行成像对比。标准相机获取的图像由两位视网膜专科医生依据国际临床DR和DME疾病严重程度量表（ICDR分类）独立进行人工分级。便携相机（NFC-600）获取的图像则上传至MONA云端，由MONA.health AI软件（版本1.0.0）进行分析和分级。该软件核心包含两个深度学习集成模型，分别用于DR和DME检测，结合了多种卷积神经网络架构。软件将中度NPDR、重度NPDR和PDR归类为需转诊的DR，并将累及或靠近中心凹的黄斑水肿归类为需转诊的黄斑病变（DME）。研究通过计算ROC曲线、AUC、灵敏度、特异度等一系列诊断准确性指标，对比了AI软件与标准方法（相机+人工分级）的性能。统计分析使用Statistica? 14.0.1.25软件完成。

研究结果：

3.1. 人口统计学数据及糖尿病视网膜病变和黄斑病变患病率：研究共纳入296名糖尿病患者（592只眼），中位年龄63岁。人工分级发现81只眼（13.7%）患有任何级别的DR，其中64只眼为需转诊的DR，13只眼患有DME。MONA.health AI软件识别出65只眼有需转诊的DR和19只眼有DME。

3.2. MONA.health人工智能在检测需转诊DR方面的诊断准确性：MONA.health AI系统在检测需转诊DR方面显示出极强的区分能力，AUC为99.74%。与标准眼底相机和人工DR分级相比，其灵敏度为100%，特异度为99.81%。阳性预测值为99.33%，阴性预测值为100%。Kappa值为0.99，诊断比值比为无限大，诊断有效性为99.85%，表明MONA AI与标准方法在识别需转诊DR方面具有近乎完美的一致性。

3.3. MONA.health人工智能在检测DME方面的诊断准确性：在DME检测方面，MONA.health AI同样表现出优异的区分能力，AUC为97.97%。与标准眼底相机和人工分级相比，其灵敏度为100%，特异度为98.95%。阳性预测值为85.93%，阴性预测值为100%。Kappa值为0.81，诊断比值比为无限大，诊断有效性为99.02%，证明了其在DME检测方面的稳健性能。

3.4. MONA.health人工智能的现实优势：MONA DR DME AI筛查过程显示出更高的用户友好性，仅需1天培训，图像采集和分析的中位时间为5分钟。相比之下，标准方法需要7天培训和13分钟用于图像获取和分级。这为视网膜专科医生节省了时间，使其能专注于为需要紧急干预的晚期DR和DME患者进行详细诊断和治疗。

讨论总结：研究人员指出，本研究结果超过了Abràmoff等人先前提出的85%灵敏度和82.5%特异度的优势阈值。研究结果与MONA.health软件既往的回顾性系统评估以及早期发表的研究发现一致。讨论中强调了在临床环境中，评估AI软件现实适用性和识别实施挑战的重要性。尽管人类评估者之间存在差异，可能会漏诊部分早期病例，但筛查的主要目标是识别需要立即治疗的患者。从这一角度看，自动视网膜图像分析系统（如MONA.health）可作为初步分诊工具，将患者分为低风险组（无需人工分级）和中高风险组（需专家进一步观察）。即使特异性降低导致假阳性率升高，在经济上可能仍是合理的，因为它可以扩大分级能力。在常规临床实践中，跨不同人群部署多个自动视网膜图像分析系统，预计可达到与人类分级者相当或更高的灵敏度，用于中重度NPDR、PDR和DME的检测。这些系统可安全用作大规模筛查的分诊工具，可能将人工分级需求减少高达80%。护士和技术人员在DR筛查中发挥着重要作用，为其提供快速、简单、用户友好的设备将提高工作效率和患者教育积极性。尽管当前结果支持该软件的技术稳健性，但研究也存在一些局限性，包括单中心、小队列、缺乏种族多样性、疾病患病率相对较低等，可能影响性能评估的普遍性。因此，需要在更多样化的人群中进行更大规模的多中心研究来确认其性能和临床效用。未来在DR筛查中实施人工智能需要清晰、全面的法律和监管框架，并建立患者和医疗专业人员对AI工具的信任。

研究结论：这项现实生活中的临床研究表明，MONA.health人工智能软件所基于的深度学习模型在检测需转诊的DR和DME方面具有较高的灵敏度和特异度，与标准眼底相机和人工分级相当。在常规临床实践中，跨不同人群部署多个自动视网膜图像分析系统，预计可达到与人类分级者相当或更高的灵敏度，用于中重度非增殖性和PDR。这些系统可安全用作大规模筛查项目的分诊工具，可能将人工分级需求减少高达80%。未来在DR筛查中实施人工智能将需要清晰、全面的法律和监管框架，特别是考虑到全球糖尿病负担和患病率的不断增长。培养患者和医疗专业人员对在DR筛查中采用基于AI工具的信任至关重要。透明度、问责制和适当的监督对于支持人工智能在常规眼科临床实践中的广泛接受和安全整合至关重要。