深度学习+视网膜，助力疾病早期诊断
该研究利用卷积神经网络（CNN）自动分割视网膜微血管结构，并计算血管密度（VD）和血管分形维度（FD），通过全表型关联研究（PheWAS）和全基因组关联研究（GWAS），进一步探讨了VD和FD与基于国际疾病分类的1866例疾病之间的联系，展示了基于视网膜的深度学习在理解人体微血管系统方面的巨大潜力，以及未来广泛应用于多种疾病的筛查及预测的可能性。
视网膜血管与全身表型及基因型的关联
视网膜：全身微血管系统的“窗口”
微血管系统通过不同器官影响着全身的健康，许多眼部和全身性疾病都与微血管系统的功能失调有关。
血管发生涉及内皮细胞从中胚层前体的分化，并受到多种信号通路的调控，包括WNT/B-连环蛋白信号通路和Notch信号通路。
血管形成遵循有序的一系列步骤，并受到多种生长因子和细胞因子的调控，包括血管内皮生长因子（VEGF）、成纤维细胞生长因子、血管生成素，以及包含RhoGTPases、蛋白激酶C和Notch信号的细胞内信号通路等。
微血管系统在癌症的发生发展中也具有重要意义，新生血管形成对于肿瘤生长和转移是必不可少的。
抗血管生成药物，如抗VEGF抗体，是癌症治疗的重要手段；同时也是眼科常见疾病，如湿性年龄相关性黄斑变性（w-AMD）和糖尿病性黄斑水肿（DME）的主要治疗方法。
可见，微血管系统在维持器官正常功能和肿瘤形成中发挥了重要作用。
鉴于视网膜微血管与其他器官在解剖和生理上的相似性，以及可通过眼底照相实现对视网膜微血管非侵入性的活体评估，使其成为人体无创评估微血管系统的最佳“窗口”。
深度学习和大数据：
眼部和全身关联分析的“利器”
数据收集与质量控制
英国生物样本库（UK Biobank）是一个包含从2006年到2010年招募的共计约50万参与者的长程大样本队列（中位随访时间为10年），收集并记录了受试者的基因组学和纵向表型数据。
该研究首先从上述数据库筛选出67339名参与者的97895张眼底图像，应用质量控制滤波器（该团队开发的一个卷积神经网络，以实现自动的图像离群值检测），排除了26%质量较差的原始图像，最终纳入54813名参与者的97895张眼底图像用于后续分析研究。
视网膜血管分割和特征提取
为了实现大规模的血管分割，该研究在谷歌Cloud人工智能平台上开发了U-Nets深度学习集成模型，该模型是基于来自3个公开数据集的90张眼底照片和相关手绘视网膜血管分割图片开发而成的，以实现从眼底照片中自动化分割视网膜血管系统的功能。
随后，对U-Nets进行了内部和外部验证，结果提示与既往其他卷积神经网络相比，该模型表现出相近或更佳的性能。
在包含15张图像的内部验证数据集中，该集成模型的Dice相似系数（空间重叠精度的度量指标）为82.1%，像素精度为97.4%，ROC曲线下面积为99.1%；在包含143张图像的外部验证数据集中，VD和FD与人工标记的真实血管参数的相关性分别为0.88和0.92。
全表型关联研究（PheWAS）
该研究进行了四组PheWAS分析，分别对应于视网膜VD和FD与：入组时已存在的表型；入组后发生的事件表型；定量的系统生物标志物；定量的眼部性状。
通过全表型关联研究，作者发现视网膜中检测到的微血管改变与多种疾病具有相关性，这为微血管系统作为生物标志物，以预测和评估系统性疾病风险和严重程度，提供了相应的证据支撑。
全基因组关联研究（GWAS）
使用谷歌Cloud提供的Hail-0.2软件对入组时采集了眼底视网膜图像的患者进行GWAS分析，调整年龄、年龄平方、性别、吸烟状况（当前/既往/从不吸烟）、遗传起源的前10个主要成分和基因分型后，采用线性回归模型进行分析。
随后进行了多基因风险评分（PRS）PheWAS分析、孟德尔随机化和罕见变异负担分析。
研究结果
全表型关联研究
视网膜微血管改变与全身疾病的相关性
与既往没有高血压或糖尿病的患者相比，合并高血压或糖尿病且具有较低的VD或PD的人群发生事件死亡的风险增加。
这表明，较低的微血管密度和分支复杂性提示患者或合并更严重的心脏代谢性疾病。
同时，作者还观察到较低的视网膜VD和FD与以下疾病的患病率和风险增加具有显著相关性：心血管代谢相关疾病（如体重指数升高、高血压心脏病、肾衰竭）、肺功能异常（如睡眠呼吸暂停）和造血系统异常（如贫血）。
视网膜微血管改变与眼部疾病的相关性
虽然既往已有队列研究发现了视网膜血管相关指标和糖尿病视网膜病变（DR）之间的联系，但该研究是第一个确定视网膜血管相关指标与多种眼部疾病的发生具有相关性的大规模研究。
具体来说，该研究识别了低VD和FD与眼后段疾病（包括视网膜脱离、DR、黄斑变性、玻璃体出血）的多重关联。
特别是，视网膜脱离（RD）是一种潜在的致盲性眼部疾病，但目前已发现的与之相关的危险因素十分有限，包括眼外伤、近视和家族史。
该研究发现较低的视网膜VD和FD与较高的视网膜脱离发病率之间具有显著相关性，且二者增加RD发生的风险是独立于近视的。
这提示早期识别视网膜血管密度较低的个体可以调整该高危人群的随访策略，以期进一步降低其失明的风险。
此外，该研究还确定了视网膜VD和FD与眼前段疾病（青光眼、白内障）的关联，这表明视网膜血管系统可能对视网膜和玻璃体之外的其他眼内结构也具有生理意义。
作者的研究发现与之前提出的“视网膜血管系统和正常眼压型青光眼之间存在联系”的研究假设一致。该假设认为正常眼压型青光眼的发病机制为血管异常阻碍营养物质传递到视网膜内部，从而导致神经节细胞变性。
总的来说，上述发现将视网膜血管系统与眼部病理生理改变联系起来，强调了视网膜微血管系统在维持眼部健康中的重要性，并帮助我们通过不同机制理解视网膜微血管与视力受损之间的关系。
全基因组关联研究
全基因组关联分析确定了视网膜微血管系统与涉及血管生成、癌症、色素沉着、炎症和微血管结构的基因之间的联系。
视网膜血管相关指标的遗传基因位点可能为视网膜病变、癌症和其他组织中的微血管疾病，提供具有多效性作用的治疗靶点。
血管生成
该研究观察到与血管生成相关的通路（VEGF、血小板源性生长因子、血管生成素）的显著富集，这些通路目前应用于DR、w-AMD和许多癌症中抑制新生血管形成的靶向治疗。
色素沉着
该研究还观察到视网膜血管系统与皮肤颜色的显著遗传相关性，进一步对全基因组显著性位点进行精细定位，以优先考虑潜在的因果变异。
在精细定位的变异体上，降低视网膜VD和FD的等位基因对先前在遗传相关性分析中评估的表型具有异质性影响。
具体来讲，包括以下多基因优先级得分（PoPS）较高的基因：IRF4、SLC45A2、OCA2、DUSP22、ACTG1。
OCA2编码眼皮肤白化病2蛋白，已知该蛋白会导致肤色较浅，使得皮肤癌易感性增加。
此外，在罕见变异关联研究和GWASs中还发现了黑素细胞诱导转录因子（MITF）的有害变异，MITF是正常黑素细胞分化所必需的转录因子，瓦尔登堡综合征与之相关，该病的特征是眼睛、头发和皮肤的色素沉着异常。
既往也有研究发现，人类肿瘤样本中的MITF蛋白标记在血管周围显著增强。
炎症反应
在两项GWAS研究中，炎症和趋化因子通路均显著富集，PoPS优先选择的贡献基因包括IL2RA、IL23A、IL1R2、IL2、IL7R、IL6、MEF2A、PDGFRA、HLA标记物等。
已知白细胞介素（IL）参与肿瘤形成中促进/抑制血管生成的调节，可以通过抑制IL进而抑制肿瘤中VEGF的表达。
微血管结构
在VD和FD全基因组关联分析中鉴定出的2个GWAS位点（GNB3和GNB2）是趋化因子信号转导通路的关键调节因子，属于G蛋白超家族成员。
值得注意的是，错义变体GNB3变异中的Rs5442-A先前已被发现与视网膜微血管直径、高血压、屈光不正和老年性黄斑变性相关。
单样本孟德尔随机化
孟德尔随机化（MR）是一种在流行病学领域广泛应用的实验设计方法。通过引入一个称之为“工具变量”的中间变量，来分析暴露因素和结局之间的因果关系。
该研究通过MR分析发现，具有遗传易感性的高血压个体，视网膜VD和FD较低。
同样，具有遗传易感性的2型糖尿病个体也具有较低的视网膜VD，但与FD没有显著的关联，这表明糖尿病与视网膜微血管系统的相关性可能源于血管直径而不是分支的复杂性，与先前对视网膜血管直径的研究得出的结论一致。
此外，具有先天性低血管密度基因型的个体有更高的近视风险和视网膜脱离风险（独立于近视和等效球镜度数），以及更高的患皮肤癌风险（独立于主要的遗传基因、皮肤颜色、阳光照射情况和光敏感性）。
特别值得注意的是，视网膜血管密度与视网膜脱离之间的遗传联系，以及VD与RD事件之间的表型联系，强调了二者可能存在因果关系，从而潜在地为视网膜脱离确定了一个新的危险因素，或可应用于日后RD的监测和治疗。
基于眼底血管的
全身疾病评估或将成为可能
该研究利用深度学习集成模型对近10万张眼底照片进行定量分析，使用VD和PD来识别视网膜微血管系统与全表型的临床关联和基因组危险因素。
从流行病学来看，低VD和PD与远期事件死亡、心血管代谢性疾病和眼部疾病发生的风险增加相关；从遗传学来看，VD和PD在血管生成和炎症相关的通路中显著富集。
上述研究结果展示了基于视网膜的深度学习在理解人体微血管系统方面的巨大潜力，以及未来广泛应用于各种疾病的筛查及预测的可能性。
视网膜微血管指数可作为心脏代谢性疾病严重程度的生物标志物，在未来或可实现对心血管事件死亡高风险人群（如心律失常，充血性心力衰竭等）的早期识别，以降低其远期死亡率。
类似的，既往有研究利用深度学习模型，建立了眼部特征（结膜，巩膜，虹膜和眼底）和主要肝胆疾病（肝癌、肝硬化、慢性病毒性肝炎、非酒精性脂肪肝、胆石症、肝囊肿）之间的定性关联，实现了通过眼科图像对常见肝胆疾病的自动筛查和识别。
特别是在识别肝癌和肝硬化方面，模型表现出良好的诊断性能（AUC可达到0.90）。
未来该AI模型或可为大规模筛查肝胆疾病提供一种简单、快速、无创的新方法。
该研究尚存在以下几点局限性：
首先，降低图像质量的因素（如白内障和眼底色素沉着）可能会影响和混淆表型和基因型之间的关联。不过，在调整了白内障、视网膜脱离、近视以及肤色的因素后，视网膜血管特征与系统特征的关联基本没有变化。
其次，虽然TOPCON图像在放大倍率方面是基本均匀的，但图像放大倍率与个体的等效球镜度数相关。不过，通过敏感性分析调整等效球镜度数和近视后，关联仍然一致。
第三，目前的分析基于英国生物样本库，该数据库主要由欧洲人组成，同时仅有通过TOPCONOCT扫描仪获得的有限视网膜范围的眼底图像。未来在不同的种族人群和其他成像模式下进行进一步的研究是很有必要的。
综上，笔者认为，人工智能在海量数据和图像的分析方面，具有独特的优势和巨大的潜力，其远胜人类的超强运算能力，或许有助于探索并发现人类目前尚未观察到的微妙的生物事件及其内在联系，并为跨学科疾病研究和自动筛查提供一种新的策略和方法。
参考文献：
[1] ZEKAVAT S M, RAGHU V K, TRINDER M, et al. Deep Learning of the Retina Enables Phenome- and Genome-Wide Analyses of the Microvasculature [J]. Circulation, 2022, 145(2): 134-50.
[2] XIAO W, HUANG X, WANG J H, et al. Screening and identifying hepatobiliary diseases through deep learning using ocular images: a prospective, multicentre study [J]. Lancet Digit Health, 2021, 3(2): e88-e97
本文作者：李优，崔婷欣
审核专家：林浩添，中山大学中山眼科中心副主任，主任医师、教授、研究员、医工双学科博导。全国青联常委、广东省青联副主席、亚非眼科学会亚洲办公室主任。国家重点研发计划首席科学家、国家“万人计划”领军人才，国家卫健委突出贡献中青年专家，获得全国五四青年奖章、吴文俊人工智能科技进步一等奖、首届钟南山青年科技创新奖。以第一或通讯作者（含共同）在 Science、Nature、Nature Biomedical Engineering（3篇）、Lancet Digital Health（2篇）等期刊发表近200篇高水平论文。成果被IEEE Spectrum评选为“影响全球医学界的11大AI事件”，被国家卫健委评为“2019年中国十大医学科技新闻”。获得（申请）发明或实用专利26项，软件著作权21项，完成转化应用的智能技术设备4项。
《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的成果报道、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、智库观点、科技评论、热点专题、综述、论文、学术聚焦、科学人文等。