200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
糖尿病肾病（DN）与非糖尿病肾病（NDRD）的无创鉴别一直是临床难题，传统依赖肾活检的诊断方式不仅存在风险，还易错失NDRD有效治疗时机。
近日，npj Digital Medicine杂志发表了中国人民解放军总医院 国家慢性肾病临床医学研究中心陈香美院士团队PI董哲毅、潘赛和北京航空航天大学徐迈教授团队共同合作的最新研究成果：A multimodal transformer system for noninvasive diabetic nephropathy diagnosis via retinal imaging。
该研究开发了基于迁移学习的深度学习系统Trans-MUF，借助眼底图像与临床特征等无创多模态数据，实现 DN 和 NDRD 的精准鉴别。
研究方案
系统整合无创多模态数据，包括眼底图像和临床特征。通过收集大量相关数据构建多模态数据库，运用先进算法对眼底图像进行处理与分析，挖掘其中与糖尿病肾病相关的特征信息，同时结合临床特征数据，利用迁移学习技术提升模型对不同数据的适应性与学习效率，从而实现对DN和NDRD的鉴别。
图1 | 研究概述。a 传统范式与此基于人工智能的诊断范式在糖尿病肾病（DN）和非糖尿病肾病（NDRD）诊断中的对比。与传统范式相比，所提出的AI系统能够显著降低NDRD的漏诊率，并减少肾活检的数量。b AI系统的流程。通过视网膜图像、病变分割图和风险因素的多模态输入，AI系统能够生成DN/NDRD的预测概率、病变分割图、主观网络可视化图以及相关定量分析。它构建了一个多模态融合网络。c 用于人工智能系统的个性化管理分析。模拟了一个场景，评估该人工智能系统能否从糖尿病肾病（DN）和非糖尿病肾病（NDRD）的混合患者群中正确识别出糖尿病肾病患者，从而避免对糖尿病肾病患者进行活检。该模拟使用了来自外部验证集的55名患者，并采用了决策曲线分析方法。d 本研究中所用数据的构成图示。e 人工智能模型在不同验证集上的ROC曲线。
图2 |Trans-MUF系统示意图。该系统以眼底图像和临床因素的多模态输入为基础，能够输出糖尿病视网膜病变（DN/NDRD）的预测结果，以及可解释的辅助输出。可视化地图和病理归因评分。Trans-MUF 系统由三个子网络组成，包括a图像病变子网络、b因素子网络和c诊断子网络。
研究结果
在内部回顾性数据集上，Trans-MUF表现卓越，达到了0.980的AUC（95%置信区间：0.979至0.980）。在用于检验模型泛化能力的前瞻性数据集上，其AUC达到0.989（95%置信区间：0.987至0.990）。在多中心、跨机器及多操作者数据集（更贴近复杂真实场景）中，AUC为0.932（95% 置信区间：0.931至0.939）。此外，当肾病专家借助深度学习系统的可视化辅助时，诊断准确率可提高21% 。
【团队介绍】
国家慢性肾病临床医学研究中心依托于中国人民解放军总医院，作为首批认定中心于2013年获批成立，并在2019年科技部牵头组织的首次运行绩效评估中成绩为“优秀”。
中心主任陈香美院士领衔团队荣获国家科技进步创新团队奖、军队创新群体奖、全国创新争先奖牌，学术梯队包括国家万人计划、军队科技领军人才，担任国际肾脏病学会常务理事、中国中西医结合学会会长、中华肾脏病学会、中国肾脏内科医师协会、中国中西医结合学会肾脏病及中国医促会血液净化分会主任委员，在国内外产生重要学术影响力。
来源：国家慢性肾病临床医学研究中心
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017