顶刊速读：Lancet Digital Health IF=24.1 通过应用于视网膜图像的深度学习对糖尿病肾病进行无创活检诊断

点击👆蓝字或👇名片，关注"AI与医学"

一种基于视网膜图像的AI深度学习系统（DeepDKD），用于无创筛查糖尿病肾病（DKD）及区分糖尿病性肾病和非糖尿病性肾病（NDKD）。该系统可为初级医疗和资源有限地区提供更简便、准确的DKD筛查手段，弥补现有诊断方式的不足。

一键复现算法实验！

✅ 强大数据分析平台
✅ 专业AI技术支持

大壮提供各种医学算法网站部署的业务，助力你发表顶刊。

如果需求联系大壮，

微信：BigStrong-AI

文末扫描二维码，即可看到论文原文

• 糖尿病肾病筛查与鉴别面临挑战

  糖尿病肾病（DKD）的筛查普及率不高，且难以区分单纯的糖尿病性肾病与非糖尿病性肾病（NDKD），这是糖尿病管理中的两大挑战。
• DeepDKD实现高效精准的糖肾检测
  DeepDKD在检测DKD和区分NDKD方面表现出较高的准确率和灵敏度，并在真实临床环境中展示了良好的应用潜力。

一、目的

二、方法

1、研究设计与数据集

• 研究设计：研究分为三个部分：开发DeepDKD系统、对系统进行内部和外部验证、以及在临床环境中进行概念验证研究。

• 数据集：由经验丰富的骨肌放射科医生（10年以上资历）结合临床病史、PET-CT/MRI及随访结果进行3轮共识标注。

  （1）预训练数据集：使用来自上海糖尿病预防计划队列的734,084张视网膜图像进行预训练。

  （2）开发和内部验证数据集：使用来自上海综合糖尿病预防和护理系统的486,312张视网膜图像和临床元数据进行DKD检测的开发和内部验证。

  （3）外部验证数据集：包括来自中国、新加坡、马来西亚、澳大利亚和英国的十个数据集，共65,406名参与者，用于DKD检测的外部验证。

  （4）区分糖尿病肾病和非糖尿病肾病的数据集：使用来自糖尿病视网膜病变进展研究队列的267名患者的视网膜图像进行开发和内部验证，以及来自中国、马来西亚和英国的三个外部验证数据集，共244名参与者。

2、模型开发

• DeepDKD系统：使用大规模弱监督动量对比学习方法从视网膜图像中提取可转移的视觉表示，进行监督训练以完成两项任务：检测DKD和区分糖尿病肾病与非糖尿病肾病。

  （1）DKD检测：使用ResNet-50作为骨干网络，从预训练模型中初始化权重，训练100个周期。

  （2）区分糖尿病肾病和非糖尿病肾病：由于训练数据不足，直接冻结DKD检测器的编码器，并训练一个新的线性分类器。

• 元数据模型和联合模型：使用XGBoost分类器，将DeepDKD的预测概率分数和临床元数据输入联合模型。

3、解释性分析

• Grad-CAM方法：使用Grad-CAM方法可视化DeepDKD系统输出预测的可解释性，了解模型预测所依据的图像区域。

4、临床概念验证研究

5、统计分析

• 模型性能评估：使用接收者操作特征曲线下面积（AUC）评估三个模型（DeepDKD系统、元数据模型和联合模型）的性能。

• 敏感性和特异性：在内部验证数据集上选择高敏感性操作点（预设为95%），并计算外部验证数据集上的敏感性和特异性。

• 统计软件：使用SPSS（版本25.0）和Python（版本3.8.16）进行分析。

  

  
  

04

研究结果

1、检测糖尿病肾病（DKD）的效果

• 在内部验证数据集上，DeepDKD 模型的 AUC 为 0.842（95% 置信区间：0.838–0.846）。

• 在外部验证数据集上，AUC 范围为 0.791–0.826。

2、区分单纯糖尿病性肾病与非糖尿病性肾病（NDKD）

• 在内部验证数据集上，AUC 为 0.906（95% 置信区间：0.825–0.966）。

• 在外部验证数据集上，AUC 范围为 0.733–0.844。

3、前瞻性研究

• 与传统的元数据模型相比，DeepDKD 检测 DKD 的灵敏度更高（89.8% vs 66.3%，p < 0.0001）。

4、纵向研究

• DeepDKD 识别出的单纯糖尿病性肾病患者与 NDKD 患者在肾功能结局方面存在显著差异。

• 肾小球滤过率（eGFR）下降的比例为：

• 单纯糖尿病性肾病：27.45%

• NDKD：52.56%（p = 0.0010）

05

学习心得

1. 深度学习在糖尿病肾病诊断中的应用：DeepDKD系统通过视网膜眼底图像分析，显著提升了糖尿病肾病的早期检测准确性，在内外部验证数据集中表现出色。
2. 跨学科合作的重要性及技术实现细节：DeepDKD结合了多种人工智能技术与医学专业知识进行开发，该系统利用电子健康记录中的元数据辅助诊断，提示未来可以通过整合更多类型的数据进一步优化模型性能。

感谢您的阅读，如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用，请继续关注我们，我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦！👍🔄

 编辑：小黄   审稿：大壮

注：本文仅用于分享相关学术论文研究，如存在侵权，请告知，及时删

论文ID：250623，下载二维码:

往期推文

论文速读：Artif Intell Med 多模态深度学习改善儿科低级别胶质瘤的复发风险预测

顶刊速读:《Radiology》大规模验证GPT-4作为头部CT报告校对工具的可行性

顶刊速读&大模型:《THE LANCET Digital Health》 GPT-4能读懂医疗笔记了？

顶刊速读:《Nat Med》瘫痪患者用脑机接口控制飞行器游戏

顶刊速看:Nature Med 基于AI和超声的卵巢癌检测：一项国际多中心研究

顶刊速看:IF=9.4 基于影像组学的体成分分析在肝细胞癌患者1年生存预后中的作用

香港理工：EyeGPT—眼科专属大模型

顶刊速读:《Brain》 抑郁症的大尺度病变症状映射识别风险和韧性能力大脑区域

顶刊速读:《Nat Med》瘫痪患者用脑机接口控制飞行器游戏