CN116913524A - 一种基于视网膜血管成像预测糖尿病肾病的方法和系统 - Google Patents
一种基于视网膜血管成像预测糖尿病肾病的方法和系统 Download PDFInfo
- Publication number
- CN116913524A CN116913524A CN202311153117.9A CN202311153117A CN116913524A CN 116913524 A CN116913524 A CN 116913524A CN 202311153117 A CN202311153117 A CN 202311153117A CN 116913524 A CN116913524 A CN 116913524A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- diabetic nephropathy
- modeling
- retinal vascular
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000007342 Diabetic Nephropathies Diseases 0.000 title claims abstract description 64
- 208000033679 diabetic kidney disease Diseases 0.000 title claims abstract description 64
- 230000002792 vascular Effects 0.000 title claims abstract description 42
- 238000003384 imaging method Methods 0.000 title claims abstract description 40
- 230000002207 retinal effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000011002 quantification Methods 0.000 claims abstract description 10
- 238000007477 logistic regression Methods 0.000 claims abstract description 7
- 206010012601 diabetes mellitus Diseases 0.000 claims description 14
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 230000010412 perfusion Effects 0.000 claims description 10
- 210000003734 kidney Anatomy 0.000 claims description 7
- 102000017011 Glycated Hemoglobin A Human genes 0.000 claims description 6
- 108010014663 Glycated Hemoglobin A Proteins 0.000 claims description 6
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 6
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012014 optical coherence tomography Methods 0.000 claims description 5
- 208000014733 refractive error Diseases 0.000 claims description 4
- 102000008946 Fibrinogen Human genes 0.000 claims description 3
- 108010049003 Fibrinogen Proteins 0.000 claims description 3
- 208000010412 Glaucoma Diseases 0.000 claims description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- 102000015779 HDL Lipoproteins Human genes 0.000 claims description 3
- 108010010234 HDL Lipoproteins Proteins 0.000 claims description 3
- 102000001554 Hemoglobins Human genes 0.000 claims description 3
- 108010054147 Hemoglobins Proteins 0.000 claims description 3
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 3
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 3
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 3
- 206010064930 age-related macular degeneration Diseases 0.000 claims description 3
- 230000004872 arterial blood pressure Effects 0.000 claims description 3
- 239000004202 carbamide Substances 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 229940109239 creatinine Drugs 0.000 claims description 3
- 238000000502 dialysis Methods 0.000 claims description 3
- 229940012952 fibrinogen Drugs 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 208000002780 macular degeneration Diseases 0.000 claims description 3
- 230000000649 photocoagulation Effects 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 208000004644 retinal vein occlusion Diseases 0.000 claims description 3
- 210000001210 retinal vessel Anatomy 0.000 claims description 3
- 238000001356 surgical procedure Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 229940116269 uric acid Drugs 0.000 claims description 3
- 210000002700 urine Anatomy 0.000 claims description 3
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 2
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 2
- 150000003626 triacylglycerols Chemical class 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- FCKYPQBAHLOOJQ-UHFFFAOYSA-N Cyclohexane-1,2-diaminetetraacetic acid Chemical compound OC(=O)CN(CC(O)=O)C1CCCCC1N(CC(O)=O)CC(O)=O FCKYPQBAHLOOJQ-UHFFFAOYSA-N 0.000 description 7
- 108060006698 EGF receptor Proteins 0.000 description 4
- 210000001525 retina Anatomy 0.000 description 4
- 206010012689 Diabetic retinopathy Diseases 0.000 description 3
- 208000020832 chronic kidney disease Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004410 intraocular pressure Effects 0.000 description 2
- 238000011862 kidney biopsy Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000029091 Refraction disease Diseases 0.000 description 1
- 230000004430 ametropia Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 206010061989 glomerulosclerosis Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000032598 susceptibility microvascular complications of diabetes Diseases 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于视网膜血管成像预测糖尿病肾病的方法和系统,属于医疗保健信息技术领域,所述方法包括以下步骤:采集糖尿病肾病的临床数据和视网膜血管成像数据,获得数据集;根据数据集,建立训练集;从训练集中筛选建模指标;对所述建模指标的指标值进行量化;基于逻辑回归的方法,对训练集进行训练,获得预测模型;通过所述预测模型对临床数据和视网膜血管成像数据进行预测,获得患糖尿病肾病的概率。根据临床数据和视网膜血管成像数据,预测患者是否为糖尿病肾病,为进一步的诊断和治疗提供数据支持;具有无创、客观和定量的优点。
Description
技术领域
本发明涉及医疗保健信息技术领域,具体涉及一种基于视网膜血管成像预测糖尿病肾病的方法和系统。
背景技术
糖尿病已经成为全球人类健康的严重威胁。糖尿病视网膜病变(Diabeticretinopathy,DR)和糖尿病肾病(Diabetic nephropathy,DN)是糖尿病的主要微血管并发症。DR的特点是视网膜的一系列病变,是20-74岁成年人丧失视力的主要原因;DN是由糖尿病微血管疾病引起的肾小球硬化,是糖尿病最严重的并发症之一。DN和DR具有相似的发病机制和共同的危险因素,DN和DR在临床上通常并存。有结果发现,DN是DR发生发展的独立危险因素,既往研究发现DR患者发生DN的风险高于无DR患者。
光学相干断层扫描血管成像技术(Optical coherence tomographyangiography,OCTA)结合了视网膜结构和功能成像,能够获得视网膜血管成像,可分层显示视网膜血流并量化微血管参数。肾脏和视网膜在解剖结构、生理特性和发病机制方面非常相似,而视网膜是人体唯一可以直接检测到微血管的地方。目前糖尿病肾病采用肾活检的方式,为有创性操作。因此,研究视网膜血管成像与糖尿病肾病之间的关联,并基于视网膜血管成像预测糖尿病肾病成为一个重要的方向。
发明内容
针对现有技术中存在的上述技术问题,本发明提供一种基于视网膜血管成像预测糖尿病肾病的方法和系统,通过视膜血管成像预测糖尿病肾病,实现无创预测,为临床诊断或治疗提供依据。
本发明公开了基于视网膜血管成像预测糖尿病肾病的方法,包括以下步骤:采集临床数据和视网膜血管成像数据,获得数据集;根据数据集,建立训练集;从训练集中筛选建模指标;对所述建模指标的指标值进行量化;基于逻辑回归的方法,对训练集进行训练,获得预测模型;通过所述预测模型对临床数据和视网膜血管成像数据进行预测,获得患糖尿病肾病的概率。
优选的,所述数据集的指标选自:性别、年龄、BMI、平均动脉压、糖尿病病程、糖化血红蛋白、空腹血糖、24小时尿蛋白定量、血红蛋白、纤维蛋白原、血尿素、血肌酐、血尿酸、eGFR、总胆固醇、甘油三酯、高密度脂蛋白、血管密度、中心凹无血管灌注区和灌注密度;
所述建模指标选自:糖尿病病程、糖化血红蛋白、血红蛋白、eGFR、6mm整圆的血管密度、中心凹无血管灌注区面积。
筛选建模指标的方法包括:
基于糖尿病肾病组和非糖尿病肾病组间比较,进行预筛选,获得第一指标;
基于多重共线性检验,从第一指标中筛选第二指标;
结合临床经验从第二指标中筛选建模指标。
优选的,通过P值进行预筛选,获得第一指标;
根据所述概率和预设的阈值,预测患者是否患有糖尿病肾病。
优选的,对所述建模指标的指标值进行量化的方法包括:
根据建模指标的正常水平为建模指标赋值;或者
按照指标值的三分位对建模指标进行赋值。
优选的,所述预测模型表示为:
;
其中,P(DN)为糖尿病肾病的预测概率,VD1为检测值≥15.3 mm-1且<17.369 mm-1时6mm整圆血管密度的量化值;VD2表示为检测值<15.3mm-1时6mm整圆血管密度的量化值;D1表示为糖尿病病程>60月的量化值;eGFR1为eGFR<60 ml/min/1.73m2时的量化值,A为常数,θ1、θ2、θ3、θ4分别为系数。
优选的,具体的预测模型表示为:
。
优选的,对满足以下任一条件的临床数据和视网膜血管成像数据进行排除:
妊娠或哺乳期妇女的数据;肾移植或透析患者的数据;作过眼内手术史、激光光凝、玻璃体内注射或玻璃体切割术的数据;青光眼、视网膜静脉阻塞、老年性黄斑变性患者的数据;眼压>21mmHg的数据;明显的屈光间质混浊的数据;屈光不正超过3.0D的数据;光学相干断层扫描血管成像的信号强度小于6的数据。
本发明还提供一种基于视网膜血管成像预测糖尿病肾病的系统,包括预测模块,
所述预测模块用于通过所述预测模型对临床数据和视网膜血管成像数据进行预测。
优选的,所述系统还包括采集模块、预处理模块和训练模块,
所述采集模块用于采集糖尿病肾病的临床数据和视网膜血管成像数据,获得数据集;
所述预处理模块用于根据数据集建立训练集;从训练集中筛选建模指标;对所述建模指标的指标值进行量化;
所述训练模块用于基于逻辑回归的方法,对训练集进行训练,获得预测模型;
所述预测模块还用于根据所述概率和预设的阈值,预测患者是否患有糖尿病肾病。
与现有技术相比,本发明的有益效果为:根据临床数据和视网膜血管成像数据,预测患者是否为糖尿病肾病,为进一步的诊断和治疗提供数据支持;具有无创、客观和定量的优点。
附图说明
图1是本发明的基于视网膜血管成像预测糖尿病肾病的方法流程图;
图2A是同心圆的示意图;
图2B是FAZ区域的示意图;
图2C是浅层视网膜的检测结果图;
图3是预测模型训练的ROC曲线图;
图4是预测模型验证的ROC曲线图;
图5是本发明的系统逻辑框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述:
如图1所示,基于视网膜血管成像预测糖尿病肾病的方法包括以下步骤:
步骤101:采集临床数据和视网膜血管成像数据,获得数据集。视网膜血管成像数据由OCTA采集,可以对所述临床数据和视网膜血管成像数据进行预处理。例如对上述数据进行筛选。
步骤102:从数据集中筛选指标或参数。
步骤103:对所述指标的指标值进行量化。
步骤104:对所述数据集进行划分,获得训练集和验证集。
步骤105:基于逻辑回归的方法,对训练集进行训练,获得预测模型。
步骤106:利用验证集对所述预测模型进行验证。
步骤107:通过所述预测模型对临床数据和视网膜血管成像数据进行预测,获得患糖尿病肾病的概率。可预测为糖尿病肾病(DN)或者非糖尿病肾病(NDRD)。
步骤108:根据所述概率和预设的阈值,预测患者是否患有糖尿病肾病。
通过本发明的预测方法可根据临床数据和视网膜血管成像数据,预测患者是否为糖尿病肾病,为进一步的诊断和治疗提供数据支持;具有无创、客观和定量的优点。
数据集中可设置纳入标准和排除标准。纳入标准为:(1)符合2型糖尿病T2DM诊断;(2)符合慢性肾脏病CKD诊断;(3)年龄≥18周岁;(4)肾穿刺活检病理诊断明确;(5)有专业的眼科医师诊断眼底结果;(6)所有参与者都签署知情同意书。
排除标准为:(1)妊娠或哺乳期妇女;(2)肾移植或透析患者;(3)眼内手术史、激光光凝、玻璃体内注射或玻璃体切割术;(4)青光眼、视网膜静脉阻塞、老年性黄斑变性;(5)眼压>21mmHg;(6)明显的屈光间质混浊;(7)屈光不正超过3.0D;(8)OCTA的信号强度<6。
其中,T2DM根据1998年世界卫生组织的标准进行诊断。CKD根据2012年KDIGO指南进行诊断。DR根据糖尿病视网膜病变早期治疗研究进行诊断。DN根据2010 年国际肾脏病理学会发表的DN病理标准所有病理结果均由两位经验丰富的肾科医生单独阅片进行诊断。
临床数据的一般指标包括:一般指标包括性别、年龄、BMI、平均动脉压、糖尿病病程。临床特征指标包括糖化血红蛋白、空腹血糖、24小时尿蛋白定量、血红蛋白、纤维蛋白原、血尿素、血肌酐、血尿酸、eGFR、总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白。
临床数据的眼科数据中选择右眼检查数据,当右眼不合格选择左眼检查数据。检查方法为:最佳矫正视力选用国际标准Snellen E字母视力表测定;屈光不正采用电脑验光仪(TOPCON KR-800)测量;眼压选用非接触眼压计(CANON TX-20P)测量,测量3次,取平均值;屈光间质情况采用裂隙灯(HAAG-STREIT BQ900)检查;眼底照片通过眼底照相机(KOWAVX-20 nonmyd 7)拍摄;黄斑区视网膜微血管结构采用OCTA(ZEISS CIRRUS HD OCT 5000with AngioPlex)检查。
OCTA数据采集:受试者接受黄斑区6mm×6mm方案扫描。通过AngioPlex Metrix自动量化分析视网膜SRL的血管密度(Vessel Density,VD)、灌注密度(Perfusion Density,PD)和中心凹无血管灌注区(Foveal Avascular Zone,FAZ)。VD定义为区域内血管线性长度与该区域面积的比值,PD定义为血管管径在区域内的覆盖面积与该区域面积的比值。FAZ定义为黄斑中心凹内界膜至外丛状层无血流信号的区域。如图2A,以黄斑中心凹为圆心,生成3个直径分别为1mm、3mm和6mm的同心圆,其中,6mm同心圆也称为6mm整圆,简写为整圆;图2B的深色区域为识别的FAZ区域;图2C示出了部分量化参数,包括VD、PD和FAZ指标。可计算同心圆中的中心、内环、外环、整圆的VD和PD;FAZ的面积、周长和形态指数。FAZ的形态指数是基于FAZ的面积和周长计算的,计算公式如下:
;
其中,MI表示为FAZ的形态指数,Ar表示为FAZ的面积,Pe表示为FAZ的周长。
根据纳排标准,最终纳入66例患者作为训练集,其中DN组31例、NDRD组35例。训练集的临床指标和OCTA参数情况如表1所示。
表1
筛选指标:
筛选的方法包括以下步骤:
步骤201:基于糖尿病肾病组和非糖尿病肾病组间比较,进行预筛选,获得第一指标。如筛选P<0.2的指标。
步骤202:基于多重共线性检验,从第一指标中筛选第二指标。
步骤203:结合临床经验从第二指标中筛选建模指标。
在具体的实施例中,筛选出以下指标:糖尿病病程、糖化血红蛋白、血红蛋白、eGFR、6mm整圆血管密度VD(整圆)和中心凹无血管灌注区面积FAZ。
指标值量化:将筛选出的各连续型指标进行量化、赋值。可以将临床正常水平或更接近正常水平作为参照,赋值为最小数字,如正常水平赋值0,高于正常水平赋值1。对于临床上无正常值参考范围的指标,按三分位进行分组赋值,即指标值划分为三个区间,为每个区间分别赋值,如赋值0-2。各指标的赋值方法参见表2。
表2
预测模型构建:
基于二元逻辑(Logistic)回归训练,得到各个指标的估计表。见表3,最终进入模型的自变量指标包括:≥15.3 mm-1且<17.369 mm-1时6mm整圆血管密度的量化值(VD1)、<15.3mm-1时6mm整圆血管密度的量化值(VD2)、糖尿病病程>60月的量化值(D1)、eGFR1<60ml/min/1.73m2时的量化值(eGFR1)。可采用SPSS 25.0统计软件进行数据分析。
即以VD(整圆)≥17.369mm-1为参照,15.3 mm-1≤VD(整圆)<17.369mm-1的患者肾脏病理为DN的OR值是VD(整圆)≥17.369mm-1患者的8.523倍(95%CI:1.387-52.352;P=0.021);以VD(整圆)≥17.369mm-1为参照,VD(整圆)<15.3mm-1的患者肾脏病理为DN的OR值是VD(整圆)<15.3mm-1患者的8.202倍(95%CI:1.110-60.623;P=0.039)。糖尿病病程>60月(OR=7.588;95% CI=1.569-36.692;P=0.012)、eGFR<60 ml/min/1.73m2(OR=24.484;95%CI=4.308-139.142;P=0.012)是DN的独立相关因素。
表3
根据表3,建立的预测模型如下:
;
其中,P(DN)为糖尿病肾病的预测概率;VD1为≥15.3 mm-1且<17.369 mm-1时6mm整圆血管密度的量化值;VD2表示为<15.3mm-1时6mm整圆血管密度的量化值;D1表示为糖尿病病程>60月的量化值;eGFR1为eGFR<60 ml/min/1.73m2时的量化值。应当指出的是,不同训练集所训练的预测模型各建模指标的系数略有差异。
可见DR的进展与视网膜浅层血管层(Superficial Retinal Layer,SRL)血管密度(Vessel Density,VD)相关。
根据预测模型,绘制ROC曲线,如图3所示,曲线下面积(AUC)为0.911,SE为0.034,95%CI为0.843-0.978,P<0.001。
预测模型验证:
纳入16例患者作为验证集。验证集的临床指标和OCTA参数的组间比较如表4所示。
表4
预测概率大于0.5时,预测为DN;小于0.5时预测为NDRD。预测结果参见表5。
表5
验证集的病理诊断结果错判情况如表6,ROC曲线见图4,曲线下面积(AUC)为0.813,SE为0.116,95%CI为0.585-1.000,P=0.036。
表6
本发明公开了非侵入性地可直接可视化、易于拍照和数字图像分析的视膜血管成像与DN的相关性,并建立DN的预测模型,具有无创、客观、定量的优势。本发明从视网膜微血管层面对鉴别和预测DN提供一种无创的新方向。
本发明还提供一种用于实现上述预测方法的系统,如图5所示,包括预测模块5,所述预测模块5用于通过所述预测模型对临床数据和视网膜血管成像数据进行预测。
所述系统还包括采集模块1、预处理模块2和训练模块3;
所述采集模块1用于采集糖尿病肾病的临床数据和视网膜血管成像数据,获得数据集;
所述预处理模块2用于根据数据集建立训练集;从训练集中筛选建模指标;对所述建模指标的指标值进行量化;
所述训练模块3用于基于逻辑回归的方法,对训练集进行训练,获得预测模型;
所述预测模块5还用于根据所述概率和预设的阈值,预测患者是否患有糖尿病肾病。
本发明的方法和系统通过对医疗保健数据进行数据处理,预测患糖尿病肾病的概率,并预测患者是否患有糖尿病肾病,实现无创预测,且具有客观和定量的优点。应当指出的是,本发明所预测的结果不代表最终的诊断结果,仅用于为患者进一步的诊断和治疗方案提供参考,例如预测的概率高于某一阈值时,可建议患者进行肾活检。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于视网膜血管成像预测糖尿病肾病的方法,其特征在于,包括以下步骤:
采集临床数据和视网膜血管成像数据,获得数据集;
根据数据集,建立训练集;
从训练集中筛选建模指标;
对所述建模指标的指标值进行量化;
基于逻辑回归的方法,对训练集进行训练,获得预测模型;
通过所述预测模型对临床数据和视网膜血管成像数据进行预测,获得患糖尿病肾病的概率。
2.根据权利要求1所述的方法,其特征在于,根据所述概率和预设的阈值,预测患者是否患有糖尿病肾病;
所述数据集的指标选自:性别、年龄、BMI、平均动脉压、糖尿病病程、糖化血红蛋白、空腹血糖、24小时尿蛋白定量、血红蛋白、纤维蛋白原、血尿素、血肌酐、血尿酸、eGFR、总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、血管密度、中心凹无血管灌注区和灌注密度;
所述建模指标选自:糖尿病病程、糖化血红蛋白、血红蛋白、eGFR、6mm整圆的血管密度、中心凹无血管灌注区面积。
3.根据权利要求1所述的方法,其特征在于,筛选建模指标的方法包括:
基于糖尿病肾病组和非糖尿病肾病组间比较,进行预筛选,获得第一指标;
基于多重共线性检验,从第一指标中筛选第二指标;
结合临床经验从第二指标中筛选建模指标。
4.根据权利要求3所述的方法,其特征在于,通过P值进行预筛选,获得第一指标。
5. 根据权利要求1所述的方法,其特征在于,对所述建模指标的指标值进行量化的方法包括:
根据建模指标的正常水平为建模指标赋值;或者
按照指标值的三分位对建模指标进行赋值。
6.根据权利要求1所述的方法,其特征在于,
所述预测模型表示为:
;
其中,P(DN)为糖尿病肾病的预测概率,VD1为大于等于15.3 mm-1且小于17.369 mm-1时6mm整圆血管密度的量化值;VD2表示为小于15.3mm-1时6mm整圆血管密度的量化值;D1表示为糖尿病病程大于60月的量化值;eGFR1为eGFR小于60 ml/min/1.73m2时的量化值,A为常数,θ1、θ2、θ3和θ4分别为系数。
7.根据权利要求6所述的方法,其特征在于,具体的预测模型表示为:
。
8.根据权利要求1所述的方法,其特征在于,还对满足以下任一条件的临床数据和视网膜血管成像数据进行排除:
妊娠或哺乳期妇女的数据;肾移植或透析患者的数据;作过眼内手术史、激光光凝、玻璃体内注射或玻璃体切割术的数据;青光眼、视网膜静脉阻塞、老年性黄斑变性患者的数据;眼压大于21mmHg的数据;明显的屈光间质混浊的数据;屈光不正超过3.0D的数据;光学相干断层扫描血管成像的信号强度小于6的数据。
9.一种基于视网膜血管成像预测糖尿病肾病的系统,其特征在于,用于实现如权利要求1-8任一项所述的方法,包括预测模块,
所述预测模块用于通过所述预测模型对临床数据和视网膜血管成像数据进行预测。
10.根据权利要求9所述的系统,其特征在于,还包括采集模块、预处理模块和训练模块,
所述采集模块用于采集糖尿病肾病的临床数据和视网膜血管成像数据,获得数据集;
所述预处理模块用于根据数据集建立训练集;从训练集中筛选建模指标;对所述建模指标的指标值进行量化;
所述训练模块用于基于逻辑回归的方法,对训练集进行训练,获得预测模型;
所述预测模块还用于根据所述概率和预设的阈值,预测患者是否患有糖尿病肾病。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153117.9A CN116913524B (zh) | 2023-09-08 | 2023-09-08 | 一种基于视网膜血管成像预测糖尿病肾病的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153117.9A CN116913524B (zh) | 2023-09-08 | 2023-09-08 | 一种基于视网膜血管成像预测糖尿病肾病的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116913524A true CN116913524A (zh) | 2023-10-20 |
CN116913524B CN116913524B (zh) | 2023-12-26 |
Family
ID=88365294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153117.9A Active CN116913524B (zh) | 2023-09-08 | 2023-09-08 | 一种基于视网膜血管成像预测糖尿病肾病的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913524B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876801A (zh) * | 2024-03-13 | 2024-04-12 | 中国人民解放军总医院第一医学中心 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
CN117893836A (zh) * | 2024-03-13 | 2024-04-16 | 中国人民解放军总医院第一医学中心 | 基于眼底血管几何参数预测糖尿病肾病的方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470816A (zh) * | 2021-06-30 | 2021-10-01 | 中国人民解放军总医院第一医学中心 | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 |
CN114220540A (zh) * | 2021-12-10 | 2022-03-22 | 首都医科大学附属北京潞河医院 | 一种糖尿病肾病风险预测模型的构建方法及应用 |
US20220151568A1 (en) * | 2019-03-13 | 2022-05-19 | The Board Of Trustees Of The University Of Illinois | Supervised machine learning based multi-task artificial intelligence classification of retinopathies |
CN115831364A (zh) * | 2022-12-14 | 2023-03-21 | 东北林业大学 | 基于多模态特征融合的2型糖尿病风险分层预测方法 |
CN116071303A (zh) * | 2022-12-20 | 2023-05-05 | 广东省人民医院 | 一种慢性糖尿病肾病识别方法和装置、存储介质 |
-
2023
- 2023-09-08 CN CN202311153117.9A patent/CN116913524B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220151568A1 (en) * | 2019-03-13 | 2022-05-19 | The Board Of Trustees Of The University Of Illinois | Supervised machine learning based multi-task artificial intelligence classification of retinopathies |
CN113470816A (zh) * | 2021-06-30 | 2021-10-01 | 中国人民解放军总医院第一医学中心 | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 |
CN114220540A (zh) * | 2021-12-10 | 2022-03-22 | 首都医科大学附属北京潞河医院 | 一种糖尿病肾病风险预测模型的构建方法及应用 |
CN115831364A (zh) * | 2022-12-14 | 2023-03-21 | 东北林业大学 | 基于多模态特征融合的2型糖尿病风险分层预测方法 |
CN116071303A (zh) * | 2022-12-20 | 2023-05-05 | 广东省人民医院 | 一种慢性糖尿病肾病识别方法和装置、存储介质 |
Non-Patent Citations (1)
Title |
---|
李莹 等: "基于糖尿病视网膜病变的诊断模型对糖尿病肾病有较好诊断效能", 《南方医科大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876801A (zh) * | 2024-03-13 | 2024-04-12 | 中国人民解放军总医院第一医学中心 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
CN117893836A (zh) * | 2024-03-13 | 2024-04-16 | 中国人民解放军总医院第一医学中心 | 基于眼底血管几何参数预测糖尿病肾病的方法和系统 |
CN117876801B (zh) * | 2024-03-13 | 2024-05-28 | 中国人民解放军总医院第一医学中心 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
CN117893836B (zh) * | 2024-03-13 | 2024-05-28 | 中国人民解放军总医院第一医学中心 | 基于眼底血管几何参数预测糖尿病肾病的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116913524B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116913524B (zh) | 一种基于视网膜血管成像预测糖尿病肾病的方法和系统 | |
Sun et al. | OCT angiography metrics predict progression of diabetic retinopathy and development of diabetic macular edema: a prospective study | |
Tang et al. | Clinically relevant factors associated with quantitative optical coherence tomography angiography metrics in deep capillary plexus in patients with diabetes | |
US20190313903A1 (en) | System and Method for Medical Condition Diagnosis, Treatment and Prognosis Determination | |
Garway-Heath et al. | Quantitative evaluation of the optic nerve head in early glaucoma | |
Sandhu et al. | Automated diagnosis and grading of diabetic retinopathy using optical coherence tomography | |
Nakanishi et al. | Sensitivity and specificity for detecting early glaucoma in eyes with high myopia from normative database of macular ganglion cell complex thickness obtained from normal non-myopic or highly myopic Asian eyes | |
JP6745496B2 (ja) | 糖尿病網膜症の病期判定支援システムおよび糖尿病網膜症の病期の判定を支援する方法 | |
WO2017096353A1 (en) | Automated clinical evaluation of the eye | |
CN116913508B (zh) | 一种基于白睛特征预测糖尿病肾病的方法和系统 | |
Lin et al. | Classification of visual field abnormalities in highly myopic eyes without pathologic change | |
Takeyama et al. | Comparison of optical coherence tomography angiography and laser speckle flowgraphy for the diagnosis of normal‐tension glaucoma | |
Lee et al. | Discriminating glaucomatous and compressive optic neuropathy on spectral-domain optical coherence tomography with deep learning classifier | |
Kamalipour et al. | Combining optical coherence tomography and optical coherence tomography angiography longitudinal data for the detection of visual field progression in glaucoma | |
Abay et al. | Normative data assessment of age-related changes in macular and optic nerve head vessel density using optical coherence tomography angiography | |
Liu et al. | Retinal oxygen saturation in 1461 healthy children aged 7–19 and its associated factors | |
Reiter et al. | Longitudinal association between drusen volume and retinal capillary perfusion in intermediate age-related macular degeneration | |
CN111435612A (zh) | 一种移动医疗个性化健康服务的方法和系统 | |
Choi et al. | A study of the association between retinal vessel geometry and optical coherence tomography angiography metrics in diabetic retinopathy | |
Zhu et al. | Time in range as a useful marker for evaluating retinal functional changes in diabetic retinopathy patients | |
Lee et al. | Predictive modeling of long-term glaucoma progression based on initial ophthalmic data and optic nerve head characteristics | |
Shyangbo et al. | Normative vascular features on OCT angiography in healthy Nepalese eyes | |
Feng et al. | Macular vascular geometry changes with sex and age in healthy subjects: a fundus photography study | |
Tan et al. | Prospective evaluation of optical coherence tomography for disease detection in the Casey mobile eye clinic | |
Betzler et al. | Artificial Intelligence in Predicting Systemic Disease from Ocular Imaging: Teleophthalmology and Digital Health: A Practical Guide to Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |