0. 论文简介

0.1 基本信息

2024 年 土耳其 Kıran Yenice 等在 Eye 发表论文 “基于深度学习的ROP分型检测：1型/2型/急进型（Automated detection of type 1 ROP, type 2 ROP and A-ROP based on deep learning）”。

本研究通过深度学习方法实现了对早产儿视网膜病变关键类型的自动、准确分类，尤其在 Type 2 与 Type 1/A-ROP 的区分上表现卓越。结合ROI提取与CNN模型，展示了AI在ROP早期筛查和辅助诊断中的巨大潜力。

论文下载： PubMed, nature Eye
引用格式：
Kıran Yenice, E., Kara, C. & Erdaş, Ç.B. Automated detection of type 1 ROP, type 2 ROP and A-ROP based on deep learning. Eye 38, 2644–2648 (2024). https://doi.org/10.1038/s41433-024-03184-0

Received: 4 December 2023
Accepted: 11 June 2024
Published online: 25 June 2024

0.2 论文速览

研究方法与工作流程

1. 数据来源：
   共纳入317名早产儿（胎龄23–34周）的634张眼底图像。
   图像由 Heine Video Omega®2C 间接检眼镜拍摄，涵盖后极部和周边视网膜。

2. 图像预处理：
   包括图像增强、分割、去噪、尺寸调整（224×224×3）。
   使用 CLAHE 去模糊，使用 Canny 边缘检测 + YOLO v7 提取感兴趣区域（ROI）。

3. 模型训练：
   使用 RegNetY002 网络结构。
   采用分层10折交叉验证，训练参数统一为50轮、学习率0.001。

4. 分类任务：
   Type 2 ROP vs Type 1 ROP + A-ROP
   Stage 2 ROP vs Stage 3 ROP（基于ROI）
   A-ROP vs Type 1 ROP（基于ROI）

实验结果

1. 模型在189张高质量图像中正确分类186张（整体准确率98.4%）。
2. 对于A-ROP与Type 1 ROP的区分，ROI分析显著提升了模型表现。

分类任务	准确率 (Accuracy)	特异性 (Specificity)	AUC
Type 2 vs Type 1 & A-ROP	0.98	0.98	0.98
Stage 2 vs Stage 3（ROI）	0.90	0.95	0.85
A-ROP vs Type 1（ROI）	0.91	0.92	0.91

主要贡献

1. 首次系统性地实现 Type 1、Type 2 和 A-ROP 的自动分类：
   相较于以往研究多聚焦于“plus病”或早期ROP检测，本文扩展至临床关键类型的精确识别。
2. 引入ROI提取策略提升分类性能：
   利用Canny边缘检测与YOLO v7联合提取ROP病变区域，增强模型对局部病变的敏感性。
3. 高准确率与临床适用性：
   在多个分类任务中均达到90%以上的准确率与特异性，AUC值表明模型具有良好的判别能力。
   有望减轻眼科医生筛查负担，辅助临床决策。

0.3 摘要

• 目的：
  通过基于卷积神经网络（CNN）的深度学习眼底图像分析，实现1型早产儿视网膜病变（ROP）、2型ROP及急进型ROP（A-ROP）的自动化检测。

• 方法：
  研究纳入317名孕23–34周早产儿的634张眼底图像。经图像预处理后提取矩形感兴趣区域（ROI），采用RegNetY002算法进行训练，并通过分层10折交叉验证评估模型性能。以准确率、特异性作为主要指标，并通过受试者工作特征曲线（ROC曲线）及曲线下面积（AUC）量化模型表现。

• 结果：
  模型对2型ROP与1型ROP/A-ROP的鉴别准确率为0.98、特异性为0.98；ROI区域分析显示，其对2期与3期ROP的鉴别准确率为0.90（特异性0.95），A-ROP与1型ROP的鉴别准确率为0.91（特异性0.92）。AUC分别为：2型ROP vs 1型ROP/A-ROP（0.98）、2期 vs 3期ROP（0.85）、A-ROP vs 1型ROP（0.91）。

• 结论：
  研究表明，基于深度学习的眼底图像分析可高精度实现ROP分型。未来将此类人工智能算法整合至临床实践，有望减轻眼科医生工作量，并为ROP诊疗决策提供支持。

1. 引言

早产儿视网膜病变（ROP）作为一种视网膜血管增殖性疾病，是导致早产儿视力障碍的主要病因。其发病风险与低出生体重（BW＜1500 g）及低胎龄（GA＜30周）显著相关[1]。现代新生儿重症监护技术的进步虽提高了早产儿存活率，却也导致ROP患病基数扩大[2]，这使得建立高效筛查体系和精准分型标准成为临床刚需。

当前ROP诊断遵循《国际早产儿视网膜病变分类标准》（ICROP第三版，2021）[5]。该标准强调病变分区（Ⅰ-Ⅲ区）、分期（1-5期）及血管异常征象（plus/pre-plus disease）的综合评估。流行病学数据显示，约90%的1-2期ROP可自然退化，但6.8%-9.1%会进展至需干预的阈值病变（1型ROP）[6]。特别值得注意的是，急进型ROP（A-ROP）可不经典型分期进展而直接表现为视网膜血管迂曲扩张伴新生血管，若未在发病72小时内接受治疗，视网膜脱离风险高达87%[5]。

人工智能技术的突破为ROP诊断带来新范式。基于卷积神经网络（CNNs）的深度学习系统现已实现：

• plus disease的自动化识别（敏感度96%）[7]
• ROP筛查（AUC=0.98）[8]
• 血管病变四级量化评估[9]

本研究创新性地开发了一种多任务学习框架，旨在通过单次眼底成像同步鉴别1型ROP（需治疗）、2型ROP（需监测）及A-ROP（急诊干预）三种关键亚型。

2. 材料与方法

1. 数据集
   本研究纳入了2010年1月至2022年12月期间317例符合国家筛查指南标准[10]（胎龄[GA]<34周且出生体重[BW]≤1700克，或GA≥34周且BW>1700克但临床状况不稳定）且可获得眼底图像的早产儿。

除BW、GA和性别等人口统计学信息外，还记录了ROP分期、分区、治疗方案以及治疗时的矫正胎龄（PMA）。所有早产儿的眼底图像均使用Heine Video Omega® 2C间接检眼镜（德国Herrsching的Heine Optotechnik公司）拍摄并评估。图像采集部位包括后极部（视盘和黄斑区）及周边视网膜。

根据ETROP研究[6]，对1型ROP患儿实施了激光光凝术（LPC）；根据BEAT-ROP研究[11]结果，对I区ROP患儿采用了玻璃体腔注射贝伐珠单抗（IVB）治疗。对于后部II区ROP患儿，因其ROP分界线靠近后部I区边界且存在大面积无血管区，为预防激光治疗后可能出现的远期并发症，同样实施了IVB治疗。

2. 深度学习算法的开发

基于卷积神经网络（CNN）的架构通过具有数据特异性学习能力的多层卷积运算实现特征提取。现有文献中存在多种基于CNN原理的不同架构，这些架构的主要差异在于网络层数和根据层内参数生成的新数据维度。本研究将采用CNN的亚型——RegNetY002架构[12]，其优势在于高性能、高效率、可扩展性和创新性。

为评估和标准化模型性能，训练过程中采用分层10折交叉验证（CV）法。样本被随机划分为10个等量子集，严格确保各子集内部的同质性和相似性。该方法依次将每个子集作为测试集，其余9个子集作为训练集，循环至所有子集均完成测试。每轮试验中，90%数据（n=170张图像）用于训练，10%数据（n=19张图像）用于验证。通过实现各折间的同质分布及交叉使用训练/测试数据，可降低模型记忆风险并独立评估性能。所有实验均采用50个训练周期和0.001学习率以保证条件一致性。

算法开发共收集317名婴儿的634张眼底图像。经筛选排除存在光学伪影、曝光过度、周边部模糊及低分辨率的图像，最终纳入189张图像用于ROP检测与分类（A-ROP 41张、1型ROP 56张、2型ROP 92张），另有43张和12张图像分别用于周边部2期和3期ROP检测。所有图像均根据ICROP-3标准[5]进行分类标注，按严重程度分级为：1型ROP-2型ROP-A-ROP及1期ROP-2期ROP-3期ROP。为提高分类性能，原始图像均经过多步骤预处理。

3. 图像预处理

在通过深度学习进行分析前，我们对数据集中的原始图像进行处理以适配模型。预处理步骤包括图像增强、图像分割和尺寸调整。首先，使用自适应边缘注意力背景去除算法确定原始图像中的镜片区域，并剔除不含有效数据且具有噪声的部分[13]。随后，在分割处理后采用对比度限制自适应直方图均衡化(CLAHE)技术消除图像模糊[14]。最后，将图像尺寸统一调整为224×224×3格式以适应分类模型(图1A)。尺寸调整完成后，使用RegNetY002模型对后极部图像进行pre-plus和plus疾病的两分类(图1C)。

图1：所提出算法的工作流程。
A 原始图像经过多种预处理步骤（图像增强、图像分割和尺寸调整）以提高模型的分类性能。
B 预处理后，使用Canny边缘检测算法在外周视网膜图像中检测ROP边界，随后通过Yolo v7检测器算法用红色矩形框标记检测到的轮廓，最终获得矩形感兴趣区域（ROI）。
C 利用RegNetY002对经过预处理和ROI定位后的图像进行ROP分类。

4. 感兴趣区域（ROI）的确定

预处理后，我们采用Canny边缘检测算法[15]在外周视网膜图像中检测早产儿视网膜病变（ROP）的边界。
随后运用Yolo v7检测器算法[16]，通过红色矩形框标定检测到的病变轮廓，最终获得矩形感兴趣区域（ROI）（图1B）。
为研究脊线特征，我们确保矩形框精准覆盖该轮廓。继而使用RegNetY002模型根据ROP分期标准对图像进行分类（图1C）。

图2 展示了2期和3期ROP患儿ROI确定过程的图像序列：原始视网膜图像位于首列，预处理后的图像在第二列，红色矩形框（ROI）标定的ROP病变轮廓图像在第三列，而用于模型训练的ROI区域则在第四列。

因此，经过图像预处理后，对于II-III区1期或2期病变（无论是否存在preplus病变）的患儿，均归类为2型ROP。随后，我们对非2型ROP患儿颞侧外周视网膜图像进行ROI（感兴趣区域）确定。通过该流程，合并plus病变且符合ROP分期的患儿归为1型ROP，而出现plus病变但未达ROP分期标准的患儿则归类为A-ROP（急进性ROP）。

图2：2期和3期ROP患儿感兴趣区域（ROI）确定过程的图像序列。
原始视网膜图像位于首列，预处理后的图像置于第二列，由红色矩形框（ROI）标定的ROP病变轮廓图像显示于第三列，而用于模型训练的ROI区域则呈现在第四列。

5. 统计分析

采用社会科学统计软件包（SPSS Inc.，美国芝加哥）25.0版进行数据分析。分类数据以例数（n）和百分比（%）表示，描述性数据采用均值±标准差（SD）呈现。模型分类性能通过准确度和特异度进行评估，并利用受试者工作特征（ROC）曲线进行可视化展示。此外，采用曲线下面积（AUC）对模型的量化性能进行综合评价。

3. 结果

1. 患儿临床与人口学特征

本研究纳入317名婴儿，平均胎龄（GA）为28±2周（范围：23-34周），平均出生体重（BW）为1156±404克（范围：400-2770克）。317名婴儿中，女性163名（51.4%），男性154名（48.6%）。147名（46.4%）婴儿接受了治疗。在36名诊断为急进型ROP（A-ROP）的婴儿中，35名（97.2%）接受了抗VEGF治疗，1名（2.8%）接受了激光光凝（LPC）治疗。111名诊断为1型ROP的婴儿中，30名（27%）接受了抗VEGF治疗，81名（73%）接受了LPC治疗。此外，170名（53.6%）诊断为2型ROP的婴儿在随访中观察到ROP自发消退，无需治疗。

与1型ROP患儿相比，A-ROP患儿平均BW更低（992±344克 vs 1007±286克，p=0.630），治疗时校正胎龄（PMA）更早（33.83±1.83周 vs 36.46±2.46周，p=0.000）。

2. ROP分类 深度学习模型性能

眼底图像中因光学伪影、噪声、曝光过度等导致的图像质量不佳可能引起错误评估。因此本研究在排除低质量图像后，最终评估317名婴儿的189张图像（A-ROP 41张，1型ROP 56张，2型ROP 92张）进行ROP检测与分类。

采用CNN分类器RegNetY002训练的模型通过分层10折交叉验证（CV）进行评估。该模型在鉴别2型ROP与1型ROP/A-ROP时取得0.98准确率和0.98特异度，正确识别189张图像中的186张。另外，对外周图像ROI区域的分析显示：

• 鉴别2期与3期ROP：准确率0.90，特异度0.95（55张图像中正确识别50张）
• 鉴别A-ROP与1型ROP：准确率0.91，特异度0.92（97张图像中正确识别96张）

模型AUC值分别为：

• 2型ROP vs 1型ROP/A-ROP：0.98
• 2期ROP vs 3期ROP：0.85
• A-ROP vs 1型ROP：0.91

ROC曲线与AUC值如图3所示。

图3：训练模型对ROP分类的受试者工作特征（ROC）曲线与曲线下面积（AUC）值。
（1）绿色曲线表示2型ROP与1型ROP及A-ROP的检测结果（AUC=0.98）；
（2）红色曲线表示基于ROI区域对A-ROP与1型ROP的检测结果（AUC=0.91）；
（3）蓝色曲线表示2期ROP与3期ROP的检测结果（AUC=0.85）。

4. 讨论

本研究通过基于卷积神经网络（CNN）的深度学习算法分析眼底照片，评估了该系统在早产儿视网膜病变（ROP）诊断和分类中的性能。据我们所知，尽管已有研究聚焦于早期ROP或区分pre-plus与plus病变，但针对1型ROP、2型ROP与急进型ROP（A-ROP）分类的研究仍较为有限。

Huang 等学者采用深度CNN区分早期ROP（1期和2期）与非ROP，其模型展现出高准确率和特异度[17]。王等开发了两套深度神经网络（DNN）模型（Id-Net与Gr-Net），Id-Net以96%灵敏度和99%特异度区分"正常"与"ROP"，Gr-Net以88%灵敏度和92%特异度分级为"轻度"与"重度"，但未能实现ROP分期、plus病变判断或ROP分型的细节识别[7]。Brown等应用的CNN模型将ROP分类为正常、pre-plus与plus病变，检测plus病变的灵敏度为93%、特异度94%，pre-plus及以上病变灵敏度达100%、特异度94%，其自动化算法表现优于专家评估[8]。"i-ROP"与"ROPTool"系统同样聚焦于ROP的plus病变[18-20]。

Tong 等开发的深度学习模型评估了36,231张眼底图像，采用101层CNN（ResNet）对ROP严重程度分类准确率达0.93，基于Faster-RCNN的ROP分期检测准确率0.95，plus病变识别准确率0.89[21]。李等开发的自动诊断系统使用Retina U-Net分割眼底图像，通过Dense Net分类（正常/1-3期ROP），在ROP分期检测中取得高准确率，其ROI区域分析与本研究相似，但用于评估分界线附近的血管增殖[22]。Redd等指出，i-ROP DL系统在后极部图像分析中，对需转诊的临床显著ROP（1型ROP、2型ROP及pre-plus病变）检测具有高准确性，其血管严重程度评分在1型ROP检测中AUROC值为96%，临床显著ROP为91%，plus病变达0.99[23]。

本研究采用后极部图像及ROI内ROP分界线分割图像训练系统，模型在ROP分类中表现出高准确率、特异度及AUC值。但存在以下局限：(1)回顾性研究设计及小样本量；(2)未包含4-5期ROP患者，可能影响数据集分布与模型性能；(3)训练图像数量有限，排除低质量图像可能削弱结果普适性；(4)眼底图像数量影响了患儿分组分布，导致治疗率偏高。

结论表明，基于深度学习的眼底图像分析可实现高精度ROP分类。将此类AI算法整合至临床实践，有望减轻眼科医生工作量，并为ROP诊疗决策提供支持。

5. 总结

1. 既往研究已知：

• 近年来，使用卷积神经网络（CNN）的深度学习（DL）算法已能通过自动分析眼底图像来指导早产儿视网膜病变（ROP）的诊断，无需人工干预。
• 据我们所知，尽管已有研究关注早期ROP或“plus病”与“pre-plus病”的区分，但针对**Type 1 ROP、Type 2 ROP 与 A-ROP（侵袭性ROP）**的分类研究仍较为稀少。

2. 本研究的价值：

• 本研究表明，基于深度学习的眼底图像分析能够高准确率、高特异性地实现ROP分型分类。
• 将深度学习人工智能算法整合进临床实践，有望减轻眼科医生的工作负担，并在ROP管理决策中提供有力支持。

3. 数据可用性声明
   本研究所用数据集可根据合理需求向通讯作者申请获取。

6. 参考文献

1. Kim SJ, Port AD, Swan R, Campbell JP, Chan RVP, Chiang MF. Retinopathy of prematurity: a review of risks factors and their clinical significance. Surv Ophthalmol 2018;63:618–37.
2. Mildenberger E, Wackernagel D, Schuster AK, Fieß A, Winter J. Wandel der neonatologischen Versorgung: Implikationen für die augenärztliche Versorgung [Changes in neonatal care: Implications for ophthalmological care]. Ophthalmologie. 2023;120:580–587. international classification of retinopathy of prematurity. Arch Ophthalmol. 1984;102:1130–1134.
4. International Committee for the Classification of Retinopathy of Prematurity. The international classification of retinopathy of prematurity revisited. Arch Ophthalmol. 2005;123:991–999.
5. Chiang MF, Quinn GE, Fielder AR, Ostmo SR, Paul Chan RV, Berrocal A, et al. International Classification of Retinopathy of Prematurity, Third Edition. Ophthalmology. 2021;128:e51–e68.
6. Good WV. Early Treatment for Retinopathy of Prematurity Cooperative Group. Final results of the Early Treatment for Retinopathy of Prematurity (ETROP) randomized trial. Trans Am Ophthalmol Soc. 2004;102:233–48. discussion 248-50 
7. Wang J, Ju R, Chen Y, Zhang L, Hu J, Wu Y, et al. Automated retinopathy of prematurity screening using deep neural networks. EBioMedicine. 2018;35:361–8.
8. Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, et al. Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmol. 2018;136:803–810.
9. Greenwald MF, Danford ID, Shahrawat M, Ostmo S, Brown J, Kalpathy-Cramer J, et al. Evaluation of artificial intelligence-based telemedicine screening for retinopathy of prematurity. J AAPOS. 2020;24(Jun):160–162.
10. Turkish Neonatology and Turkish Ophthalmology Association. Turkish Premature Retinopathy Guideline 2021 Update. 2021. Available from: http://www.neonatology.org.tr/wp-content/uploads/2021/08/Turkiye-Premature-Retinopa-tisi-2021-Guncellemesi-1.pdf.
11. Mintz-Hittner HA, Kennedy KA, Chuang AZ, BEAT-ROP Cooperative Group. Efficacy of intravitreal bevacizumab for stage 3∫∠retinopathy of prematurity. N Engl J Med. 2011;364:603–15.
12. Schneider N, Piewak F, Stiller C, Franke U. RegNet: Multimodal sensor registration using deep neural networks. In: IEEE Intelligent Vehicles Symposium (IV). Los Angeles, CA, USA: IEEE; 2017, pp 1803–10.
13. Bouwmans T, Javed S, Sultana M, Jung SK. Deep neural network concepts for background subtraction: A systematic review and comparative evaluation. Neural Netw. 2019;117:8–66.
14. Mahalakshmi A, Shanthini B. A survey on image deblurring. In: Proceedings of the 2016 International Conference on Computer Communication and Informatics (ICCCI), Coimbatore, India: IEEE; pp 1–5.
15. Canny J. A computational approach to edge detection. IEEE Trans Pattern Anal Mach Intell. 1986;8:679–698.
16. Wang C-Y, Bochkovskiy A, Liao Mark H-Y. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. Comput Sci, Comput Vis Pattern Recognit. Preprint at https://arxiv.org/abs/2207.02696 2022.
17. Huang YP, Basanta H, Kang EY, Chen KJ, Hwang YS, Lai CC, et al. Automated detection of early-stage ROP using a deep convolutional neural network. Br J Ophthalmol. 2021;105:1099–1103.
18. Ataer-Cansizoglu E, Bolon-Canedo V, Campbell JP, Bozkurt A, Erdogmus D, Kalpathy-Cramer J, et al. Computer-based image analysis for plus disease diagnosis in retinopathy of prematurity: performance of the “i-ROP” system and image features associated with expert diagnosis. Transl Vis Sci Technol. 2015;4:5.
19. Campbell JP, Ataer-Cansizoglu E, Bolon-Canedo V, Bozkurt A, Erdogmus D, Kalpathy-Cramer J, et al. Expert diagnosis of plus disease in retinopathy of prematurity from computer-based image analysis. JAMA Ophthalmol. 2016;134:651–7.
20. Wallace DK, Zhao Z, Freedman SF. A pilot study using “ROPtool” to quantify plus disease in retinopathy of prematurity. J AAPOS. 2007;11:381–7.
21. Tong Y, Lu W, Deng QQ, Chen C, Shen Y. Automated identification of retinopathy of prematurity by image-based deep learning. Eye Vis. 2020;7:40.
22. Li P, Liu J. Early Diagnosis and Quantitative Analysis of Stages in Retinopathy of Prematurity Based on Deep Convolutional Neural Networks. Transl Vis Sci Technol. 2022;11:17.
23. Redd TK, Campbell JP, Brown JM, Kim SJ, Ostmo S, Chan RVP, et al. Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Evaluation of a deep learning image assessment system for detecting severe retinopathy of prematurity. Br J Ophthalmol. 2018. https://doi.org/10.1136/bjophthalmol-2018-313156.Epub.

版权说明：
本文由 youcans@xidian 对论文 Automated detection of type 1 ROP, type 2 ROP and A-ROP based on deep learning 进行摘编和翻译。该论文版权属于原文期刊和作者，本译文只供研究学习使用。

youcans@xidian 作品，转载必须标注原文链接：
【医学影像 AI】基于深度学习的ROP分型检测：1型/2型/急进型(https://youcans.blog.csdn.net/article/details/152218964)
Crated：2025-09