深度学习发力，预测衰老性疾病取得新进展 / 开普饭

遗传和环境因素都会影响与年龄有关的黄斑变性（AMD），而黄斑变性是致盲的主要原因。以往 AMD 的严重性主要通过视网膜眼底图像来衡量，近年来一些机器学习方法也被运用到通过图像数据来预测 AMD 的进展。

近日，美国匹兹堡大学的研究团队使用改良的深度学习算法，基于遗传数据和眼底图像，成功实现对患者是否已经发展到晚期 AMD 的预测，最新研究进展发表在近期的《自然 — 机器智能》期刊上。

在这项研究中，研究人员总共使用了 1,351 名年龄相关性眼病患者的 31,262 个眼底图像和 52 个 AMD 相关遗传变异，这些数据包含了患者的基线信息和 12 年随访期间疾病严重程度的表型和眼底图像。

棘手的黄斑变性

黄斑变性是发生在视网膜黄斑区的一组疾病，有遗传性和年龄相关性（老年性）两种。年龄相关性黄斑变性是指人眼黄斑区结构的衰老性改变，随着年龄的增长，视网膜黄斑区的 “清道夫”—— 视网膜色素上皮细胞对视细胞内有害物质的清除能力下降，使得有害物质潴留于黄斑部细胞内，引发相关的病理改变后，导致黄斑变性发生。

光线对组织的损伤完全取决于光线的频率、强度和时间，以及引发的一系列光化学反应，而人体本身有许多防御的结构和分子，这些结构包括角膜、晶状体等，能滤过有害波长光线，是有效的紫外线和蓝光的滤过器。

近年来，随着社会逐渐进入老龄化，年龄相关性黄斑变性发病率逐年上升，因其起病隐匿，发现时常常已对视功能造成了不可逆的损伤。而且随着现在长期从事与直射光接触的职业人员增多，现在年龄相关性黄斑变性的发病率也大幅增高。

黄斑变性的发病机制尚不清楚，一般认为与遗传、慢性光损伤、代谢、营养不良、中毒、免疫异常、高血压动脉硬化等因素有关。

目前 AMD 的严重程度主要是由眼科医生在临床上使用彩色眼底图像来诊断的。晚期 AMD 有两种形式：

（1）地域性萎缩，也称为 “干性 AMD”，其特征是视网膜色素上皮、感光细胞和中央视网膜脉络膜毛细血管层逐渐退化和消失；

（2）脉络膜新生血管，也称为 “湿性 AMD”，其特征是生长新的、渗漏的血管进入视网膜，造成广泛的感光细胞丧失，最终导致视力迅速下降。一些早期或中期 AMD 患者长期保持视力，随着时间的推移病情进展缓慢，但另一些患者很快进展为晚期 AMD 的一种或两种形式。

近年来，随着基因测序技术的发展，科学家们已经意识到遗传学在 AMD 的发病机制中起着至关重要的作用。全基因组关联研究也已经发现了许多与 AMD 相关的变异。

例如，在国际 AMD 基因组学联合会最近的一项大规模全基因组关联研究中，52 个独立的遗传标记，包括来自 34 个位点的常见和罕见变异，被发现与 AMD 风险增加有关。

AI 预测黄斑变性

与遗传研究相平行，机器学习方法，特别是深卷积神经网络（CNNs）已经在眼科的图像识别和分类中得到了应用。CNNs 已经被用于上述 AMD 的自动分级，从眼底图像中识别糖尿病视网膜病变和心血管危险因素，解释和分割光学相干断层图像。

传统的机器学习方法依赖于 “特征工程”，即计算由专家明确定义的特征。而与传统的机器学习方法不同，CNNs 可以直接从图像本身学习特征。

基于视网膜眼底图像和 SNPs 的的 CNN 算法，用于预测晚期 AMD 进展

CNN 是一个深度学习技术家族，其特点是具有多个计算层，能够自动、深入、全面地从较低层次结构学习特征，直至更普遍的更高层次结构。最近，有几项研究使用彩色眼底图像运用卷积深度学习的方法进行自动 AMD 分级和估计 AMD 的未来风险。然而，这些方法都没有在预测模型中考虑遗传数据。

AREDS 是美国国家眼科研究所进行的一项大规模临床试验，包括 12 年的大规模全基因组数据、纵向彩色眼底照片和疾病严重程度评估，为研究者利用 AI 研究 AMD 的进展提供了前所未有的机会。

在这项研究中，研究者使用基因型和眼底图像来预测一只眼睛进展到晚期 AMD 的几率。具体地说，对于一只眼睛，输入包括当前就诊时拍摄的一张眼底图像和受试者的基因型，输出的是晚期 AMD 的进展概率。

由于晚期 AMD 是不可逆的，这种预测可能促使潜在的患者提前开始预防性治疗，从而减缓疾病的进展。

深度学习与黄斑变性

基于深度学习的人工智能技术在眼科领域展现出了巨大的潜力。由于眼科学本身的特点，临床上对于眼科疾病的诊断常常需要借助大量的影像学技术来辅助诊断。

即便是最基本的显微镜检查，也要求眼科医生能够迅速、直观地观察到眼部的情况，从而做出正确的早期诊断或排除相关疾病。

然而人眼的识别能力有限，医生的精力也有限，眼科医生的专业能力也因人而异，在应对大量的疾病诊断工作中难免遇到诸多限制，大范围的疾病筛查工作也难以开展。

借助于人工智能医学影像识别技术，能够从人肉眼无法识别的像素层面上区分不同图像之间极其微小的差异，大大提高诊断的准确率，同时降低时间成本和经济成本，减少眼科医生与患者的负担，提高临床工作效率。

未来，深度学习可以利用更好的形式运用于眼科，以更好地检测威胁视觉的眼病。当前全球很多 AI 企业也尝试进入医疗数据领域，开发出一些可以在眼科有效运用的深度学习系统，如谷歌创立的通过眼底图像用以检测视网膜疾病的深度学习人工神经网络系统。

大量的数据整合将有助于加快这类项目的建设。至于未来深度学习技术会不会取代视网膜专家和眼科医生的角色，我们不得而知，但当前可以确定的是，临床医师在眼底疾病的治疗方面仍占据重要地位，而 AI 医疗影像识别系统则已慢慢成为一个十分重要的助手。

参考资料：

https://www.nature.com/articles/s42256-020-0154-9

深度学习发力，预测衰老性疾病取得新进展