基于角膜共聚焦顯微鏡的神經(jīng)纖維人工智能分析方法

吳 俊，費思佳，沈 博，張瀚文，黃劍鋒，潘 琦，趙建春，丁大勇

1西北工業(yè)大學電子信息學院，西安 7100722中國醫(yī)學科學院 北京協(xié)和醫(yī)學院研究生院，北京100730國家老年醫(yī)學中心 中國醫(yī)學科學院老年醫(yī)學研究院 北京醫(yī)院 3眼科 4內(nèi)分泌科， 北京 1007305北京致遠慧圖科技有限公司人工智能實驗室，北京 100872

糖尿病周圍神經(jīng)病變(diabetic peripheral neuropathy, DPN)是糖尿病最常見的慢性并發(fā)癥之一，患病率約50%[1- 4]。目前DPN的診斷大多依賴于臨床癥狀體征以及電生理檢查等[4- 5]，而這些傳統(tǒng)檢查方法多用于診斷大神經(jīng)纖維病變。近年研究發(fā)現(xiàn)，在DPN發(fā)病過程中，小神經(jīng)纖維最早出現(xiàn)損傷[6- 7]，故小神經(jīng)纖維的檢查技術(shù)可用于DPN的早期診斷。通過皮膚活檢量化表皮內(nèi)神經(jīng)纖維密度(intraepidermal nerve fiber density, IENFD)是當前評估小神經(jīng)纖維損傷的金標準，但IENFD是一種侵入性檢查，具有臨床應用性差以及可重復性不強的局限性[3- 4,8]，故亟需一種快速、可重復、定量測量小神經(jīng)纖維的無創(chuàng)技術(shù)。角膜共聚焦顯微鏡(corneal confocal microscopy, CCM)正是這樣一種技術(shù)[3], 在DPN診斷中具有良好的應用前景。本文就CCM評估糖尿病神經(jīng)病變的臨床應用研究以及CCM相關(guān)人工智能分析方法進行闡述。

1 CCM與角膜神經(jīng)

角膜是人體神經(jīng)支配最密集的部分，每平方毫米約有7000個痛覺感受器，是皮膚敏感度的300～600倍[2,9]。絕大多數(shù)角膜神經(jīng)纖維為感覺纖維，起源于三叉神經(jīng)眼支[9- 10]，自角鞏膜緣呈放射狀分布，經(jīng)睫狀神經(jīng)節(jié)后纖維進入角膜，隨后大部分神經(jīng)束穿過Bowman 層，在Bowman 層和角膜上皮基底膜之間形成密集的角膜基底下神經(jīng)叢[1,8,11]。借助角膜的透明性這一優(yōu)勢，CCM可直接可視化和量化角膜神經(jīng)纖維，并通過二維掃描、多個圖像實時映射或者三維圖像清晰地顯示角膜基底下神經(jīng)叢。

可用于評估角膜神經(jīng)病變的參數(shù)包括角膜神經(jīng)纖維密度(corneal nerve fiber density, CNFD)，即每平方毫米神經(jīng)纖維主干的數(shù)量；角膜神經(jīng)分支密度(corneal nerve branch density, CNBD)，即每平方毫米從神經(jīng)纖維主干分出的分支數(shù)量；角膜神經(jīng)纖維長度(corneal nerve fiber length, CNFL)，即所有神經(jīng)纖維包括分支的總長度和神經(jīng)纖維扭曲度或扭轉(zhuǎn)系數(shù)(tortuosity coefficient, TC)。

CCM能夠重復檢測上述參數(shù)的變化[12- 13]。而目前已有研究證實由糖尿病引起的周圍神經(jīng)病變與CCM檢測到的角膜基底下神經(jīng)叢的改變密切相關(guān)[1- 2,11]。

2 CCM在評價DPN中的作用

2.1 早期診斷DPN

2.1.1 診斷價值

有研究指出角膜神經(jīng)纖維的改變是DPN的早期跡象，CCM可比電生理學和振動感覺檢測更早發(fā)現(xiàn)周圍神經(jīng)纖維異常[13]。Chen等[5]對 61例1型糖尿病(diabetes mellitus type 1，T1DM)患者和26名匹配的健康受試者(對照)進行了CCM和皮膚活檢量化IENFD評估神經(jīng)病變，結(jié)果顯示CCM與IENFD的診斷效率相當(用于識別DPN的AUC值：CNFL為0.82，CNFD為0.80，IENFD為0.66，P=0.14)。Ziegler等[6]通過CCM、皮膚活檢量化IENFD和神經(jīng)生理學測試確定86例新發(fā)2型糖尿病(type 2 diabetes mellitus，T2DM)患者和48名匹配的健康受試者的早期神經(jīng)損傷，同樣認為CCM和IENFD均可早期識別小纖維損傷，CCM可作為早期檢測神經(jīng)病變的無創(chuàng)檢查工具。

Asghar等[14]對37例糖耐量受損患者和20名年齡匹配的健康受試者進行了神經(jīng)傳導功能檢查、定量感覺測試、皮膚活檢量化IENFD和CCM等對神經(jīng)病變進行全面評估，結(jié)果在糖耐量受損患者中用IENFD和CCM均檢測到了神經(jīng)病變的證據(jù)，由此推斷CCM可預測DPN的發(fā)生。Szalai等[15]采用CCM發(fā)現(xiàn)了無臨床神經(jīng)病變的T1DM患者的角膜神經(jīng)纖維缺失，Yan等[16]在無臨床神經(jīng)病變表現(xiàn)的T2DM患者中觀察到了角膜神經(jīng)纖維病變。以上研究均支持CCM在DPN的二級預防中發(fā)揮著重要作用。

2.1.2 影響DPN診斷價值的角膜神經(jīng)參數(shù)

Jiang等[17]基于大樣本量薈萃分析顯示，與對照組和無DPN的糖尿病患者相比，DPN患者的CNFD、CNBD和CNFL顯著降低，而TC變化并不顯著，認為TC對于識別DPN仍存在爭議。Tavakoli等[7]對101例糖尿病患者和17名健康受試者進行了CCM檢查，發(fā)現(xiàn)CNFD、CNFL、CNBD隨著神經(jīng)病變嚴重程度的增加而顯著降低，并指出CNFL可作為診斷DPN的最佳參數(shù)。本研究中心對98例T2DM患者和30名年齡匹配的健康受試者進行神經(jīng)傳導速度及CCM檢查，以神經(jīng)傳導速度異常作為診斷DPN的金標準，繪制角膜神經(jīng)參數(shù)CNFL、CNFD、CNBD的受試者工作特征(receiver operating characteristic，ROC)曲線，發(fā)現(xiàn)CNFL為診斷DPN的最佳參數(shù)(靈敏度：82.4%，特異度：85.7%)[18]。絕大多數(shù)研究已證實CNFL是評估DPN最可靠的參數(shù)，并認為角膜神經(jīng)參數(shù)在左、右眼之間無顯著性差異，且與糖尿病的類型無顯著相關(guān)性，但目前采用角膜參數(shù)評估DPN仍存在局限性，例如由于CNFL和CNFD值會隨著年齡的增長而減少[1,8]，因此建議制訂年齡標準化的角膜參數(shù)參考值范圍。

2.2 評估DPN嚴重程度

Malik等[10]收集了18例患有不同級別神經(jīng)病變的糖尿病患者和18名年齡匹配的健康受試者的Bowman層圖像，與健康受試者相比，糖尿病患者的CNFD、CNFL和CNBD值均降低，且隨著神經(jīng)病變嚴重程度的增加，上述參數(shù)值逐漸降低，這一發(fā)現(xiàn)具有里程碑意義。Ferdousi等[19]對143例T1DM和T2DM患者(其中無神經(jīng)病變51例、輕度神經(jīng)病變47例、中重度神經(jīng)病變45例)以及年齡匹配的30名健康受試者進行了定量感覺測試、神經(jīng)傳導研究和CCM，結(jié)果顯示與對照組相比，T1DM和T2DM患者的CNFD、CNFL和CNBD值均降低，且隨著神經(jīng)病變的加重，CNFD(個/mm2)(26.61±1.05比24.47±1.09比22.4±1.14,P<0.0001)、CNFL(mm/mm2)(23.31±0.96比20.84±1.004比19.27±1.04,P=0.002)和CNBD(個/mm2)(64.07±4.39比58.49±4.76比45.60±4.5,P<0.0001)進一步降低。上述研究均提示可通過CCM檢查評估DPN嚴重程度。

2.3 監(jiān)測、評估療效

角膜神經(jīng)叢也被用作判斷糖尿病干預療效的形態(tài)學指標之一。研究顯示，糖尿病患者采取措施改善血糖控制，特別是糖化血紅蛋白改善后，角膜神經(jīng)可再生，在接受胰腺移植的T1DM患者中，術(shù)后6個月CNFD、CNBD和CNFL均有所改善，提示角膜神經(jīng)叢可作為手術(shù)干預后的次要預后指標[2]。此外，在一項對25例輕至中度神經(jīng)病變糖尿病患者的前瞻性研究中，角膜神經(jīng)形態(tài)隨血糖控制的改善而有所改善[20]。CCM的優(yōu)勢在于可通過重復檢查評估干預措施是否有效，未來研究需確定CCM參數(shù)的改善是否預示著傳統(tǒng)神經(jīng)病變預后指標如神經(jīng)傳導速度的改善，以及患者臨床預后(如疼痛、截肢和生活質(zhì)量)的改善。

3 CCM在評價糖尿病自主神經(jīng)病變中的作用

糖尿病自主神經(jīng)病變(diabetic autonomic neuropathy, DAN)的早期診斷較困難，而心血管自主神經(jīng)病變(cardiovascular autonomic neuropathy, CAN)是臨床上DAN最重要的類型。目前通常采用心血管反射試驗評估DAN，但這種方法因受伴發(fā)的心血管疾病以及血管活性藥物的影響，靈敏度和特異度有限[21- 22]。Tavakoli等[22]對19例伴DAN的糖尿病患者和15例不伴DAN的糖尿病患者以及18名健康受試者進行了CCM評估，證明CCM對DAN具有良好的診斷價值。Maddaloni等[23]對36例T1DM患者和20名健康受試者進行了自主神經(jīng)病變評估以及CCM檢測，結(jié)果發(fā)現(xiàn)T1DM患者與健康受試者相比，CNFD、CNBD、CNFL均降低，而CAN患者的CNFD顯著降低。早期診斷和干預對于預防DAN進展至關(guān)重要，而CCM或許有望成為DAN早期無創(chuàng)診斷的選擇。

4 CCM在評價糖尿病微血管并發(fā)癥中的作用

部分研究證實糖尿病患者角膜神經(jīng)病變早于視網(wǎng)膜病變和腎臟病變，Petropoulos等[24]對53例T1DM患者[ 37例伴有糖尿病視網(wǎng)膜病變(diabetes retinopathy, DR)，16例不伴有DR]和27例健康受試者進行了CCM、微量蛋白尿等評估，結(jié)果顯示與對照組相比，不伴有DR的患者CNFD、CNBD、CNFL顯著降低，且伴有DR的患者比不伴有DR的患者CNFD、CNBD、CNFL進一步降低；不伴有微量蛋白尿患者的CNFD、CNBD和CNFL顯著降低，伴有微量蛋白尿患者的CNFD、CNBD和CNFL進一步降低。Srinivasan等[25]確定了CNFL的降低是T1DM患者DR惡化的預測因素之一。上述研究提示CCM可能是干預和預防微血管并發(fā)癥進展的最早機會窗口，由于糖尿病微血管并發(fā)癥患病率較高，未來需進行更大規(guī)模的前瞻性研究以確定CCM用于預測糖尿病微血管并發(fā)癥的價值。

5 人工智能在CCM神經(jīng)纖維圖像分析中的應用

臨床研究表明，DPN與角膜神經(jīng)纖維丟失有關(guān)。通過CCM圖像能夠?qū)PN進行定量評估，并有潛力成為理想的替代指標。其在識別糖尿病患者發(fā)生DPN風險方面具有預測能力，并已被用于顯示神經(jīng)纖維修復的幾項臨床干預研究[26]。DPN與神經(jīng)纖維醫(yī)學指標的相關(guān)研究均表明，CCM檢查能夠?qū)崟r、可對比地觀測角膜神經(jīng)纖維形態(tài)和分布的變化，在DPN患者的前期檢測、中期發(fā)展、療效判斷等多種時期的診斷過程中發(fā)揮關(guān)鍵作用。

交互式人工分析被用于從這些CCM圖像中獲得測量值，如CNFD、CNFL、CNBD等[27]。但這種人工分析手段通常存在耗時長、工作量大、易受主觀因素影響、定量結(jié)果的重現(xiàn)性差(尤其是CNBD)等問題，給實際臨床應用帶來了相當大的困難，尤其在進行縱向隨訪研究時[7]。因此，迫切需要一種自動化的檢測方式以獲得CCM圖像的神經(jīng)纖維參數(shù)，為醫(yī)生提供有效的輔助診斷工具。角膜神經(jīng)纖維參數(shù)自動提取算法是檢測DPN的一種客觀、可復現(xiàn)的手段。

基于CCM圖像的DPN輔助診斷研究對糖尿病的診斷與治療意義重大，早預防、早發(fā)現(xiàn)、早治療是目前糖尿病患者最好的治療方法。然而目前在CCM圖像神經(jīng)纖維自動化檢測方面的研究相對較少。整體而言，CCM圖像神經(jīng)纖維自動化檢測分為兩個階段：(1)CCM圖像神經(jīng)纖維自動分割，把CCM圖像以像素為單位標記為神經(jīng)纖維和圖像背景；(2)CCM圖像神經(jīng)纖維參數(shù)(CNBD、CNFD、CNFL等)的自動計算。

Dabbah等[28]提出了一種多尺度“雙模型濾波器”(dual-model filter，DMF)，可將基于偶對稱實值Gabor小波變換的前景提取模型與根據(jù)噪聲級別對輸出進行縮放的低通高斯背景提取模型相結(jié)合，對CCM圖像中的神經(jīng)纖維進行提取；使用最小均方誤差算法，計算以特定圖像像素為中心塊的局部神經(jīng)纖維方向，全局應用低通高斯濾波器進行圖像背景的提取。Chen等[29]在此研究基礎(chǔ)上進行優(yōu)化，采用基于金字塔結(jié)構(gòu)的像素級特征向量，利用隨機森林分類器、形態(tài)學優(yōu)化方法等估計神經(jīng)纖維在每個像素位置的方向，最終得到神經(jīng)纖維的分割結(jié)果圖。

Kim等[30]基于神經(jīng)纖維形態(tài)提出一種分割方法，但這種方法存在對比度低和聚焦不精準的問題。隨著人工智能和深度學習的發(fā)展，深度學習模型也被運用到這一領(lǐng)域中。陳新建等[31]應用改進后的U-Net進行CCM圖像神經(jīng)纖維分割，融入多尺度分離與融合模塊增大感受野，獲得了較為有效的CCM圖像神經(jīng)纖維分割結(jié)果。為了提升深度學習模型的準確性，Williams等[32]獨立訓練了5個深度學習CCM圖像神經(jīng)纖維分割模型，并采取對同一位置分割結(jié)構(gòu)多模型結(jié)合投票的機制，有效提升了深度學習模型分割結(jié)果的準確性。

Yildiz等[33]提出了一種新的基于生成性對抗網(wǎng)絡(luò)(generative adricative network，GAN)的深度學習算法，以實現(xiàn)對于CCM神經(jīng)圖像的分割。該研究收集了85名受試者的活體角膜共焦顯微鏡(invivocorneal confocal microscopy, IVCM)圖像，由3名臨床醫(yī)生完成數(shù)據(jù)標注，分別對基于U-Net和GAN的2種圖像分割方法進行訓練和測試。結(jié)果顯示，基于GAN的算法與U-Net具有相似的相關(guān)性和Bland-Altman分析結(jié)果，但精確度比U-Net更高。

Salahuddin等[34]針對CCM圖像中像素分布不均衡造成的自動分割中神經(jīng)顯微結(jié)果靈敏度低的問題，在圖像上評估深度學習網(wǎng)絡(luò)U-Net中3個不同參數(shù)的損失函數(shù)，并對結(jié)果進行了討論。分析觀察到，Tversky損失函數(shù)的最佳訓練時間和收斂時間比二進制交叉熵(binary cross entropy)和Dice損失函數(shù)好。這有助于更快獲得更好的結(jié)果，意味著診斷效率的提高。

Kucharski等[35]提出了一種基于分水嶺算法的角膜內(nèi)皮細胞標記驅(qū)動分割方法和基于滑動窗口訓練的編碼-解碼卷積神經(jīng)網(wǎng)絡(luò)，用于預測細胞中心(標記)和細胞邊界的概率。該研究利用預測標記對神經(jīng)網(wǎng)絡(luò)輸出的邊緣概率圖進行分水嶺分割，重點研究了3種卷積神經(jīng)網(wǎng)絡(luò)模型(U-Net、SegNet和W-Net)的分割性能，結(jié)果顯示該方法的細胞檢測準確度為97.72%。

Mou等[36]提出了一種新的曲線結(jié)構(gòu)分割網(wǎng)絡(luò)(CS-Net)，其在編碼和解碼器中引入了一種自注意機制以學習曲線結(jié)構(gòu)豐富的層次表示。該研究利用空間注意力和通道注意力兩類注意力模塊，增強類間辨別和類內(nèi)響應能力，進一步自適應地將局部特征與其全局依賴性和規(guī)范化相結(jié)合，并將二維注意力機制擴展至三維，以增強網(wǎng)絡(luò)在不同層之間聚集深度信息的能力。實驗結(jié)果表明，該方法在多種度量指標上均優(yōu)于其他最新算法。

Wei等[37]采用基于深度學習算法的卷積神經(jīng)網(wǎng)絡(luò)建立了角膜基底下神經(jīng)分割網(wǎng)絡(luò)。該研究對CNS網(wǎng)絡(luò)進行了552次訓練，并在北京大學第三醫(yī)院收集的139份IVCM圖像上進行了測試，圖像由3名資深眼科醫(yī)生標記，然后形成分割標準答案。該模型的AUC為0.96(95% CI：0.935～0.983)，精度為94%，最小dice系數(shù)損失為0.12。分割任務的靈敏度為96%，特異度為75%，CNFL評估任務的相對偏差率為16%。

現(xiàn)有的CCM圖像神經(jīng)纖維自動檢測方法雖可對部分神經(jīng)纖維做到基本有效的分割，但仍然存在神經(jīng)纖維分割結(jié)果連貫性差、部分小神經(jīng)纖維/低對比度神經(jīng)纖維分支無法正確檢測的問題，從而影響神經(jīng)纖維參數(shù)的計算結(jié)果?；谏疃葘W習的CCM神經(jīng)纖維自動分割方法的結(jié)果優(yōu)于傳統(tǒng)圖像處理和機器學習方法，但目前基于深度學習的CCM神經(jīng)纖維自動分割方法研究相對較少，如何針對CCM圖像的自身特點進行深度學習模型的優(yōu)化仍然需要進一步研究。

6 小結(jié)

CCM可作為早期神經(jīng)病變的可重復、無創(chuàng)檢查手段。通過CCM檢查不僅可評估DPN的嚴重程度，還可實現(xiàn)DPN早期預測和診斷，從而提早干預，延緩DPN的進展，提高糖尿病患者的生活質(zhì)量。但采用角膜神經(jīng)參數(shù)評估DPN目前仍存在局限性，基于人工智能的角膜神經(jīng)纖維醫(yī)學指標提取算法是檢測DPN的一種客觀、可復現(xiàn)的手段，但現(xiàn)有的CCM圖像神經(jīng)纖維自動檢測方法仍然有較大提升空間，未來應充分挖掘CCM圖像的自身特點以及基于深度學習的CCM神經(jīng)纖維自動分割方法，以進一步拓展CCM在糖尿病神經(jīng)病變中的臨床應用。

作者貢獻：吳俊、費思佳共同查閱文獻，撰寫初稿并修訂論文；沈博、張瀚文、黃劍鋒、趙建春、丁大勇提出修改建議；潘琦負責終審校對。

利益沖突：無