基于机器学习的早产儿视网膜病变风险预测和自动诊断模型研究

Retinopathy of prematurity is the leading cause of childhood blindness, which highlights the importance of screening for ROP. Whereas the screening criteria in China is unitary at present; the variability of inter-expert image-based diagnosis is imperfect. According to our previous study, 17.8% of premature infants who met the screening criteria were finally diagnosed with ROP, and only 6.8% of them needed treatment, indicating that the current screening criteria are burdensome and inefficient. Logistic regression analysis showed that mechanical ventilation, intraventricular hemorrhage and multifetation were also risk factors for ROP, which could be used as additional variables to predict the risk. The convolution neural network model established in our previous study has a high detection accuracy for the important structures of fundus images with ROP, which shows the feasibility of automated diagnosis. Therefore, we hypothesize that high-accuracy risk prediction model and automated diagnosis model of ROP can greatly optimize the screening mode and improve the disease prevention and control ability of ROP. This project plans to establish a risk prediction model and automated diagnosis model of ROP through machine learning techniques, in order to upgrade the screening criteria and change the method of image-reading, so as to improve screening efficiency, reduce the medical cost and unifying diagnostic level.

早产儿视网膜病变（ROP）是儿童眼盲的主要原因，因此筛查ROP尤为重要。但目前我国的筛查标准较为单一，且筛查方法为人工读图，存在主观性和诊断差异。我们前期研究表明：符合目前筛查标准的早产儿中，17.8%患有ROP，其中仅6.8%需要接受治疗，说明目前的筛查标准负担较大，效率较低；通过逻辑回归分析，我们发现机械通气、脑室内出血和多胎也是发生ROP的独立危险因素，可作为预测ROP风险的新增变量。前期研究中建立的神经网络模型对ROP眼底图像的重要结构已有较高的检测准确度，说明自动诊断的可行性。据此我们推测，高准确度的ROP风险预测模型和自动诊断模型可大大优化筛查模式，提高ROP的疾病防控能力。本项目拟通过机器学习技术，建立基于机器学习的ROP疾病风险预测模型和基于目标检测和分类的ROP眼底图像自动诊断模型，以完善筛查标准和改变读图方式，从而提高筛查效率，减少医疗成本，统一诊断水平。

早产儿视网膜病变（ROP）是目前全球儿童失明的主要原因之一。对于ROP的诊断，主要依赖于眼底检查。目前使用率较高的儿童广角眼底照相技术实现了眼底图像的拍摄、保存和传输，这为引入人工智能技术提供了前提条件。对眼底图像的读图及诊断，是确定ROP分期和严重程度的重要步骤，但是由于有经验的小儿眼科医生的缺少，许多偏远地区的早产儿未能得到及时的救治。为了解决这一问题，本项目通过建立ROP眼底图像的数据库，并对图像进行预处理、重要病灶的标注，采用机器学习方法搭建了ROP眼底图像疾病标志物的辅助诊断模型。进一步考虑到，深度学习往往是数据饥渴的，它需要大量的注释数据来进行模型优化，而在临床场景中，注释数据需要有经验的医生花费较多时间和精力完成。相比之下，大量未标注的图像则相对容易获得。本项目中提出了一个新的半监督学习框架，通过使用部分标记的图像和大量未标记的图像进行自动ROP分期来减少注释成本。该半监督深度学习框架由一个学生模型和一个教师模型组成。通过鼓励学生和教师模型之间预测输出和样本间语义结构的一致性，从未标记的数据中挖掘出有用的鉴别信息，以提高模型分类性能。教师模型的参数是通过指数移动平均算法更新的。我们在一个真实的临床数据集上进行了广泛的实验。仅使用30%的标记图像，我们的方法实现了ROC-AUC曲线下面积（AUC）为0.8630，准确率为0.7895，灵敏度为0.7868，特异性为0.8010。当标记图像的比例为50%时，我们的方法的分类性能接近于使用所有100%标记的图像的分类性能。