研究人员发现，人工智能（AI）可以通过分析早产儿常规眼部筛查过程中已经采集的图像，帮助识别严重的肺部和心脏并发症。这些并发症是早产儿患病和死亡的主要原因，常常需要侵入性诊断检查。
在一项发表于《JAMA Ophthalmology》的新研究中，研究人员展示了AI能够利用为筛查早产儿视网膜病变（ROP）而拍摄的视网膜图像，检测出支气管肺发育不良（BPD）和肺动脉高压（PH）的迹象。ROP是一种可能导致失明的眼部疾病，常见于早产和低出生体重婴儿，需要在出生后最初几周进行筛查。
科罗拉多大学安舒茨眼科学助理教授、研究主要作者Praveer Singh博士表示：“人工智能使我们能够检测到视网膜图像中人眼无法察觉的微妙模式。这为利用简单的照片洞悉早产儿的整体健康状况开辟了可能性。”
BPD是一种常影响极早产儿的慢性肺病，而PH是一种影响肺部和心脏的危险性高血压。这两种疾病早期诊断困难，通常需要专门的影像学检查或检测。研究结果表明，AI对视网膜图像的分析可以帮助临床医生更早地识别这些并发症，并可能减少对更具侵入性检查的需求。
科罗拉多大学安舒茨眼科学教授Jayashree Kalpathy-Cramer博士说：“早产和低出生体重婴儿为了筛查ROP会频繁接受眼部成像。我们的发现表明，关于婴儿肺部和心脏健康的信息可能已经存在于新生儿护理中常规采集的这些图像中。更早的检测可能对预后和治疗规划产生有意义的改变。”
研究人员分析了来自参与一项由美国国立卫生研究院支持、长期多机构研究的七个新生儿重症监护室（NICU）的493名婴儿在接受常规ROP筛查检查时采集的视网膜图像。研究聚焦于在临床诊断BPD或PH之前拍摄的图像。
研究者使用深度学习模型评估AI是否能检测到图像中与疾病相关的模式。该模型通过三种方法进行测试：仅使用影像数据、仅使用人口统计学和临床风险因素、以及结合影像和患者数据的综合模型。
综合AI模型在诊断性能上优于单独的人口统计学风险因素：对于支气管肺发育不良，综合模型达到82%的准确率；对于肺动脉高压，达到91%的准确率。
重要的是，即使研究人员排除了显示ROP临床体征的图像，结果仍然保持一致，这表明AI模型识别出了传统眼病标志物以外的信息。
俄勒冈健康与科学大学眼科学教授、研究合著者Peter Campbell博士说：“实现许多眼组学算法潜力的挑战之一在于，对大多数患者群体而言，眼底成像（尚未）成为常规诊疗路径的一部分。但在越来越多的NICU中，成像已经是ROP诊疗路径的一部分，这意味着实施此类技术的障碍显著降低。”
研究人员表示，AI辅助筛查最终可以帮助临床医生更早地识别脆弱婴儿，并指导监测和治疗决策。尽管这些发现令人鼓舞，但研究者强调，在将该技术整合到常规临床护理之前，还需要进一步的验证研究。
关于研究：该研究使用了来自多机构“早产儿视网膜病变影像与信息学”（i-ROP）研究中婴儿的数据，该研究十多年来一直在收集美国各NICU的视网膜影像数据。
关于科罗拉多大学安舒茨：科罗拉多大学安舒茨是一个世界一流的医学学术园区，引领科学、医学、教育和患者护理领域的变革性进展。该园区包括科罗拉多大学的健康专业学院、60多个中心和研究所，以及两家全国排名靠前的独立医院——UCHealth科罗拉多大学医院和科罗拉多儿童医院——每年接诊近300万成人和儿童患者。创新、互联且高度协作的CU安舒茨提供改变生活的治疗、卓越的患者护理和顶级的专业培训。该园区开展世界知名的研究，获得8.9亿美元资助，包括7.62亿美元资助奖和1.28亿美元研究慈善捐赠。
联系信息：Kelsea Pieters, CU Anschutz, 电话：804-314-1360, 邮箱：[email protected]
来源：科罗拉多大学安舒茨
【全文结束】