论文部分内容阅读
第一章糖尿病性视网膜病变的分子标志物及其与肾功能的相关性研究目的:定性和定量分析糖尿病性视网膜病变（diabetic retinopathy,DR）患者和对照组中玻璃体液的抗体浓度,并探索其与肾功能的相关性。方法:前瞻性地纳入52例2型糖尿病（type 2 diabetes mellitus,T2DM）伴有DR的患者和52例无糖尿病或全身炎性疾病的参与者。使用悬液芯片技术测量由B细胞产生的免疫球蛋白（immunoglobulin,Ig）A、IgM和IgG各亚型的浓度。结果:经Bonferroni校正后,DR组的IgA、IgM和总抗体浓度均显著高于对照组（所有p<0.001）,4种IgG亚型在两组间无显著差异。皮尔逊相关分析显示,IgA、IgM水平与估算的肾小球滤过率（estimated glomerular filtration rate,eGFR）之间存在低负相关性（r=-0.443,r=-0.377,p均<0.05）。此外,根据eGFR和其他临床变量,多元线性回归分析得出了三个方程来预测玻璃体液中IgA、IgM和总抗体的浓度（r=0.542,r=0.461和r=0.312,所有p<0.05）。结论:在T2DM合并DR的患者的玻璃体液中,由B细胞产生的IgA、IgM和总抗体水平升高,并与肾功能下降存在相关性。抗体可能为DR发病的分子标志物。第二章基于糖尿病性视网膜病变的眼底彩照标志物智能预测糖尿病肾病分级目的:在全球范围内,对糖尿病人群进行糖尿病肾病（diabetic kidney disease,DKD）筛查是一项挑战,而DKD的严重程度已被证明与视网膜病变有关。因此,本研究旨在根据筛查视网膜病变的眼底彩照以确定DKD分级。方法:在这项包含四个中心的横断面研究中,我们开发一个深度学习（deep learning,DL）系统用于实现DKD的自动分级。根据尿白蛋白与肌酐之比（urine albumin to creatinine ratio,UACR;1 期:UACR<30mg/g;2 期:UACR 为 30-300mg/g;3 期:UAC≥300mg/g）和估算的肾小球滤过率（estimated glomerular filtration rate,eGFR;1 期:eGFR≥45 ml/min/1.73m2;2 期:eGFR为15-45 ml/min/1.73m2;3期:eGFR<15 ml/min/1.73m2）来确定DKD分级的真实标签。本研究用广州两家眼科中心的4898张眼底彩照对DL系统进行训练和内部验证;珠江医院（Zhujiang Hospital,ZJH）的1550张彩照和昆明医科大学第一附属医院（the First Affiliated Hospital of Kunming Medical University,FAHKMU）的 171 张彩照被用来外部验证。受试者工作特性曲线下面积（AUC）是用来评估DL系统的性能,热图被应用实现DL系统的可视化。结果:对于UACR分级,内部验证中1期的AUC波动于0.926-0.948,2期的AUC范围为0.879-0.900,3期的AUC范围为0.932-0.969;ZJH外部验证中,3个分期的AUC分别为0.857、0.810和0.892;FAHKMU中3个分期的AUC分别为0.848、0.806和0.877。在eGFR分级方面,内部验证中1期的AUC范围为 0.823-0.852,2 期的 AUC 波动于 0.816-0.847,3 期的 AUC 范围是 0.788-0.938;ZJH外部验证中,3个分期的AUC分别为0.792、0.733和0.801;FAHKMU中3个分期的AUC分别为0.751、0.710和0.752。热图显示,该DL系统根据糖尿病视网膜病变（如:硬性渗出、软性渗出、视网膜出血和视网膜增殖膜）特征来实现正确的DKD分级。结论:我们使用多中心数据建立了一个DL系统,该系统基于眼底彩照自动预测DKD分级,并显示了良好的准确性和透明度。本DL系统可被添加至当今社会的DKD筛查系统中。第三章基于光学相干断层扫描图像特征智能预测糖尿病性黄斑水肿疗效目的:利用机器学习（machine learning,ML）处理治疗前的光学相干断层扫描（optical coherence tomography,OCT）图像和临床变量以预测糖尿病性黄斑水肿（diabetic macular edema,DME）患者经3个月的抗血管内皮生长因子（vascular endothelial growth factor,VEGF）治疗后的效果。方法:我们开发了由4个深度学习（deep learning,DL）模型和5个经典ML（classical ML,CML）模型组成的集成ML系统,以预测治疗后的黄斑中心凹厚度（central foveal thickness,CFT）和最佳矫正视力（best-corrected visual acuity,BCVA）。训练集（304眼）和外部验证集（59眼）中总共363只DME眼的363张OCT图像和7,587份临床数据记录。我们使用OCT图像训练DL模型,使用OCT图像特征和临床变量特征训练CML模型,并将治疗后CFT和BCVA预测值与从病历中获得的真实值进行比较。结果:对于CFT预测,训练集中性能最佳的模型的平均绝对误差（mean absolute error,MAE）、均方根误差（root mean square error,RMSE）和 R2 分别为66.59、93.73和0.71,其受试者工作特性曲线下面积（area under receiver operating characteristic curve,AUC）为 0.90,以识别具有良好解剖预后的 DME眼;其外部验证的MAE、RMSE和R2分别为68.08、97.63和0.74,AUC为0.94。对于BCVA预测,训练集中表现最佳的模型的MAE、RMSE和R2分别为0.19、0.29和0.60,其AUC为0.80以区分具有良好功能预后的DME眼;外部验证的MAE、RMSE 和 R2 分别为 0.13、0.20 和 0.68,AUC 为 0.81。结论:我们的集成ML系统可准确预测DME患者抗VEGF治疗后的CFT和BCVA,日后可被用于前瞻性评估DME患者经抗VEGF治疗的预后。