标题：通过深度学习从视网膜眼底图像检测贫血
作者： Akinori Mitani, Abigail Huang, Subhashini Venugopalan, Greg S. Corrado, Lily Peng, Dale R. Webster, Naama Hammel, Yun Liu, and Avinash V. Varadarajan
发表来源：《Nature Biomedical Engineering》（2019）
全球有超过16亿人受贫血影响，但传统筛查依赖有创抽血，并需要经过培训的临床人员和专门的实验室设备。为突破这一障碍，医学研究人员正在探索利用人工智能、通过常规眼科检查识别全身健康状况的无创诊断工具。
一项发表于《Nature Biomedical Engineering》的里程碑式研究，探讨了深度学习算法能否利用标准彩色视网膜眼底照片准确预测血红蛋白（Hb）浓度并筛查贫血。
这项研究测试了什么？
研究人员基于英国生物样本库（UK Biobank）的大规模数据集训练并评估了一个先进的深度神经网络，分析了超过57,000人的眼底照片及基本人口统计元数据。
该AI系统在以下几个关键参数上接受了评估：
- 无创预测：无需抽血，直接根据视网膜血管形态估算连续的血红蛋白水平。
- 元数据整合：将眼底图像与基本的无创身体数据（年龄、性别及血压）相结合，以提高诊断精度。
- 糖尿病亚组筛查：专门评估在糖尿病患者中的筛查表现——这类患者每年都会接受常规视网膜眼底检查。
主要发现：诊断准确性与模型洞察
试验表明，将深度学习应用于视网膜照片，可为无创贫血筛查提供高度可靠的方法：
1.稳健的预测性能
- 血红蛋白估算：综合AI模型预测血液血红蛋白浓度的平均绝对误差（MAE）为0.63 g/dL（95% CI：0.62–0.64）。
- 贫血检测：该模型检测一般贫血的曲线下面积（AUC）为0.88（95% CI：0.86–0.89），检测中重度贫血的AUC为0.95（95% CI：0.93–0.97）。
- 糖尿病亚组一致性：在糖尿病参与者（n = 539）中，该系统的AUC依然高达0.89，证明其可作为常规糖尿病视网膜病变筛查中的自动化附加检测。
2.可解释性与视觉显著性
- 聚焦视盘与血管：显著性图可视化显示，神经网络主要关注视盘周围及视网膜主要血管分支的精细解剖结构。
- 生物标志物发现：该模型依赖于人眼无法察觉的细微微血管变化与血管颜色差异。
这对医疗健康与筛查意味着什么？
从眼底照片检测贫血的能力，将标准眼科检查转变为强有力的全身健康评估。由于视网膜拍照快速、无痛，且已在眼科诊所和眼镜中心广泛普及，引入AI筛查可以在无需额外抽血、不增加患者不适的情况下，及早发现未确诊的贫血。
这项技术在机会性筛查方面潜力巨大——让到眼科诊所进行常规检查的患者能即时获得有关血液健康的洞察。
总结
AI驱动的视网膜分析为贫血筛查提供了一种有前景、无痛的方式，可替代传统验血。尽管在更广泛全球人群中的前瞻性验证仍在进行，但将深度学习模型整合到临床工作流程中，代表着无创预防医疗的一大飞跃。
请务必咨询合格的医疗服务提供者或眼科医生，讨论全面的筛查方案与血液健康评估。
阅读完整研究，刊载于《Nature Biomedical Engineering》.