吴星;王瑛;付海英;金鑫;李佳豪;杨永升;目的 观察四诊客观化知识图谱与深度学习的糖尿病视网膜病变(DR)预测模型在DR早期诊断中的应用价值。方法 选取中国中医科学院眼科医院和解放军总医院眼科门诊2型糖尿病患者360例,收集四诊信息及眼底图像。采用自然语言处理技术构建包含6,824个节点、10,536个关系的四诊知识图谱,设计多模态深度学习模型进行DR预测。结果(1)模型整体性能评估:3组对DR的平均推理时间比较,差异有统计学意义(F=142.863,P=0.000),其中,单模态模型组推理时间低于联合模型组和传统机器学习组(t_(联合)=4.234,P=0.002;t_(传统)=12.473,P=0.000),联合模型组推理时间短于传统机器学习组(t=8.954,P=0.000),差异均有统计学意义。对DR诊断能力ROC曲线分析显示,联合模型组AUC值为0.926,95%CI(0.901,0.951),约登指数为0.738,灵敏度为0.925,特异度为0.907。单模态模型组AUC值为0.847,95%CI(0.823,0.871),约登指数为0.685,灵敏度为0.852,特异度为0.833。传统机器学习组AUC值为0.832,95%CI(0.807,0.857),约登指数为0.648,灵敏度为0.833,特异度为0.815。(2)早期DR识别能力比较:联合模型组早期DR识别准确率(89.53%)高于传统诊断组(76.74%),差异有统计学意义(χ~2=4.123,P=0.042)。ROC曲线分析显示,联合模型组AUC值为0.912,95%CI(0.887,0.937),约登指数为0.724,灵敏度为0.894,特异度为0.830。传统诊断组AUC值为0.765,95%CI(0.701,0.829),约登指数为0.547,灵敏度为0.765,特异度为0.782。(3)临床应用价值评估:联合模型组的平均诊断时间、筛查成本均低于传统诊断组,专家评分高于传统诊断组,差异均有统计学意义(t_(诊断时间)=16.284、t_(筛查成本)=15.836、t_(专家评分)=5.927,均P=0.000)。(4)模型稳定性分析:参数敏感性分析显示模型在学习率0.0001~0.0100,批次大小16~64范围内性能稳定。模型对高斯噪声(σ≤0.1)具有良好鲁棒性,20%随机特征缺失情况下仍保持85%以上准确率,不同图形处理器平台上性能差异小于1%,且连续运行168 h性能无显著衰减。结论 四诊知识图谱与眼底图像的深度融合模型为DR早期筛查提供了可靠的辅助工具,该方法作为眼底检查的补充手段,可为临床医生提供更全面的评估参考。
2025年11期 v.35 1017-1023页 [查看摘要][在线阅读][下载 1527K]