本周在风湿病学会年会 ACR Convergence 2022 上发表的新研究表明，开源计算机视觉算法 Vision Transformer 可以像人类风湿病学家一样可靠地检测系统性硬化症患者的甲襞毛细血管镜图像的变化。
系统性硬化症(SSc，硬皮病)是一种罕见的结缔组织疾病，其特征是皮肤收紧和硬化，并损害内脏器官。一个关键特征是微血管异常，可以使用甲襞毛细血管镜 (NFC) 进行可视化，这是一种非侵入性成像技术。尽管 NFC 在诊断和监测系统性硬化症的进展方面发挥着重要作用，但它也带来了某些挑战，包括评估员培训和潜在的偏见。这引起了人们对使用计算机视觉算法(例如视觉转换器 (ViT))自动化和标准化 NFC 图像评估的兴趣。本研究的目的是评估 ViT 模型在读取 NFC 图像方面的可靠性，并将其性能与风湿病学家的性能进行比较。
研究人员使用了来自欧洲硬皮病试验和研究小组 (EUSTAR) 和系统性硬化症极早期诊断 (VEDOSS) 这两个系统性硬化症登记处之一的近 300 名成年人的 NFC 图像。纳入的患者在 2012 年至 2021 年期间进行了医生访问，并符合 2013 年 ACR/EULAR 既定系统性硬化症的分类标准，或 VEDOSS 的初步标准。双手的所有可用图像都包括在内，无论工件如何。
在学习阶段，训练了一个 ViT 模型来识别扩大的毛细血管、巨大的毛细血管、毛细血管丢失、微出血和异常形态。
“ViT 模型在此阶段学到的信息最终用于评估新 NFC 图像上的 NFC 变化，”博士 Alexandru Garaiman 解释说。苏黎世大学的候选人和苏黎世大学医院的风湿病住院医师。Garaiman 和苏黎世大学的博士后研究员 Farhad Nooralahzadeh 是该研究的共同研究者。
使用交叉折叠验证(k = 5 折叠)评估算法的性能，这是一种训练和测试机器学习模型的重采样方法。研究人员使用随机抽样的可靠性集将 ViT 模型的性能与四位风湿病学家的性能进行比较，其中三位是经过培训的注释者。
分析超过 17,000 张 NFC 图像，ViT 模型在识别所有五个方面的 NFC 变化方面表现良好。用于识别不同微血管病变变化的 AUC 范围为 81.8% 至 84.5%，用于检测硬皮病模式(极低毛细血管密度或存在巨大毛细血管)的存在为 83.2%。在可靠性集中，该算法在诊断巨大毛细血管(AUC 为 92.6%)和扩大毛细血管(AUC 为 90.2%)方面表现最佳。
人类评估者的表现参差不齐，与 ViT 相比，四分之一的风湿病学家表现出相同或更低的分类测量值。
“我们一直将我们的 ViT 模型视为一种可能的工具，以帮助风湿病学家筛查与 SSc 相关的微血管病。我们从未旨在超越人类评估者或取代他们，而是简化他们对 NFC 图像的报告，”Garaiman 说。
“我们的研究给出了强烈的信号，表明该模型是评估 NFC 图像的可靠工具，并且可以轻松用作检测 NFC 变化的辅助设备。当风湿病学家必须评估过多的 NFC 图像时，我们看到它开始发挥作用。这应该将异常的图像标记为红色，因此风湿病学家只需评估几张图像，而不是所有图像。在这一点上，我们认为我们的模型做得非常好。
Garaiman 说，在该模型准备好用于临床之前，他希望首先看到至少三个里程碑。
“我们想测试该模型在患有雷诺现象未知病因的患者中的表现，以了解其在其他未选择的队列中的诊断准确性。我们还想解决该模型在纵向研究中的表现，特别是检测毛细血管损失的能力随着时间的推移。”
“我们希望将我们的 ViT 模型暴露于来自其他系统性硬化症中心或记录在不同设备上的 NFC 图像，以了解它如何处理伪影。希望这些研究的结果将证实我们目前的发现。但目前，我们认为硬皮病模式的诊断需要有毛细血管镜检查经验的风湿病学家的最终判断。”