人工智能在糖尿病研究和临床中的应用

王妍蕾，董文丽，章 秋

(安徽医科大学第一附属医院 内分泌代谢科，安徽 合肥 230022)

人工智能(artificial intelligence，AI)是研究用于模拟、扩展人的智能的理论方法及应用系统的一门新的技术科学，与“人工”区别在“智能”二字，旨在以可操作的智能化程序模仿人类活动甚至完成人类自身无法达成的目的[1]，“人工智能”的概念于1956年由约翰· 麦卡锡在美国达特茅斯学院召开的讨论会中首次提出。人工智能包括专家系统、数据挖掘及人工神经网络3大分支，实现人工智能的重要手段包括机器学习及在此基础上发展的深度学习。

糖尿病是一组以高血糖为特征的代谢性疾病，由胰岛素分泌缺陷和(或)作用缺陷导致。糖尿病的慢性高血糖与不同器官的长期损伤、功能障碍息息相关。一项具有全国代表性的流行病学调查显示，2020年中国大陆的糖尿病患病率为 12.8%，糖尿病前期患病率为35.2%[2]， 糖尿病及其慢性并发症的防治给社会、家庭和个人带来不同程度的经济负担和心理负担。

科技变革日新月异，构建高效精准的糖尿病诊疗体系，人工智能将发挥着不可或缺且历久弥新的作用。本文将从糖尿病的预测、诊断、并发症早期筛查及健康管理几个方面总结人工智能在糖尿病研究和临床中的应用。

糖尿病作为影响全人类健康的慢性病之一，早期预防、早期诊断、早期治疗对延缓其并发症的发生、减轻医疗负担、提高患者生活质量尤为重要。传统的防治策略主要是通过饮食、运动等行为控制糖尿病的易患危险因素，通过生活方式、家族史等初步识别糖尿病高危人群，通过症状体征、辅助检查诊断糖尿病，而这些策略在中国人口基数庞大、医疗资源紧张的社会背景下，只能应用于部分人群，有效进行全面的糖尿病前期筛查与诊断任务艰巨。为了解决上述难题，越来越多的研究利用人工智能，通过已知的风险因素探究糖尿病预测模型、诊断模型，使糖尿病的预测和诊断数字化、智能化。

2014年Choi等[3]使用人工神经网络(artificial neural network，ANN)和支持向量机(support vector machine，SVM)开发出两个模型筛查糖尿病前期，并利用韩国国家健康和营养调查的数据作为内部和外部验证，对两个智能模型进行系统评估。结果显示，SVM模型在外部数据集中的曲线下面积(area under curve，AUC)为0.731，高于ANN模型(0.729)和基于逻辑回归分析的筛选评分模型(0.712)，说明该研究开发的预筛选模型性能比之前开发的筛选评分模型更好，并且可能是糖尿病前期筛查更有效的方法。随后国外多名研究者相继研究k-近邻算法、Naïve贝叶斯、决策树、随机森林、Logistic回归等机器学习算法检测糖尿病事件的相对性能，挖掘机器学习模型预测糖尿病事件的潜力。

宁光院士团队在2017年联合国糖尿病日提出 “瑞宁知糖”，通过利用机器学习技术，根据年龄、身高、体质量、家族史等信息有效评估使用者未来3年糖尿病的罹患风险。去年，肖薇[4]使用微软的学习平台作为实验平台，应用多种机器算法来预测糖尿病，横向研究表明使用决策树的临床预测效果最好，正确率可达95.4%。

糖尿病的并发症是影响人类健康的“隐形杀手”之一，目前临床上常见的糖尿病并发症主要涉及大血管、微血管、神经及心脏。随着大数据的全领域、全方位渗透，人工智能成为提高并发症早期筛查效率和准确率的利器，以眼底病变分析最为突出。

2.1 人工智能与糖尿病视网膜病变

2016年国外的一项研究[5]应用深度学习创建了一种用于自动检测视网膜眼底照片中的糖尿病视网膜病变(diabetic retinopathy，DR)和糖尿病性黄斑水肿的算法，使用包含128 175张视网膜图像的回顾性开发数据集，训练了一种针对图像分类优化的特定类型的神经网络，称为深度卷积神经网络，研究结果显示该算法在检测DR方面具有高灵敏度和特异性。随后多项研究[6-7]进一步说明深度学习算法在识别DR和相关眼部疾病方面具有很高的敏感性和特异性，可以高精度地检测视网膜图像中威胁视力的DR，提高视网膜病变筛查计划的效率和可及性。其中，IDX-DR是FDA批准的全球首款针对糖尿病视网膜病变的AI系统[7]。

国内的研究中，2019年一项研究[8]采用诊断试验研究方法比较AI阅片和医生阅片在DR筛查中的诊断效率和准确率，结果说明基于眼底阅片的眼科AI系统诊断符合率可达眼科专业高级职称医生水平，且平均阅片时间短，阅片质量稳定。而后另一项横断面研究[9]进一步探索在大规模DR筛查项目中将AI初筛作为第一步分流工具的新筛查模式，研究中该模式可替代眼科医师产生65.8%的报告，且不遗留需转诊的DR。说明AI可为大规模DR人群筛查提供新的方法与平台。另外，两项回顾性研究[10-11]比较了AI眼底筛查与临床医师诊断结果的一致性，结果说明AI分析DR具有可行性和可信性，且能指导经验不足的临床医师提高诊断准确性。

2.2 人工智能与糖尿病神经病变

除了DR，部分研究探究了人工智能对糖尿病神经病变的筛查作用。角膜共聚焦显微镜(corneal confocal microscopy，CCM)是一种快速、可重复、定量测定小神经纤维的无创技术，此前有研究[12]预测CCM有希望成为糖尿病周围神经病变、自主神经病变早期无创诊断的首要选择，而人工智能显著提高了CCM在图像神经纤维自动分割阶段的准确性。2019年Wei等[13]基于深度学习算法的卷积神经网络建立角膜神经分割网络，用于亚基底角膜神经分割和评估，通过训练552个并在139个标记的体内共聚焦显微镜(invivoconfocal microscope，IVCM)图像上进行了测试，结果显示深度学习模型的AUC为0.96，敏感性为 96%，特异性为 75%，平均精度为94%，相对偏差比为16%，说明该模型在使用IVCM图像进行基底下角膜神经分割时表现出高精度和高效率。同年另一项研究[14]开发和验证了一个基于人工智能的深度学习算法，用于识别总神经纤维长度、分支点、尾点、数量与和段的长度、分形数，从而量化与糖尿病神经病变诊断相关的神经纤维特性。2021年Yildiz等[15]开发了一个基于生成对抗网络(generative adversarial network，GAN)的新型深度学习算法，并与基于完全卷积神经网络的深度学习算法比较在IVCM图像中自动分割基底神经的准确性，结果表明前者在IVCM 图像、患者采集图像和噪声应用图像方面表现出更高的准确性。这项研究也说明生成对抗网络作为新兴的医学图像处理深度学习模型可能是快速分割和分析 IVCM 图像中角膜基底神经的重要临床工具。

2.3 人工智能与其他糖尿病慢性并发症

西班牙的一项回顾性研究[16]使用 ANN 模型预测2型糖尿病足患者下肢截肢后的生存率。还有研究[17]使用植入机器学习算法的数据挖掘技术，包括临床中心分析、预测模型靶向、预测模型构建和模型验证，根据近千名患者的电子健康记录数据推导出一组 2 型糖尿病并发症的预测模型，通过随机森林、Logistic回归最终可预测不同时间场景下糖尿病肾病的发生。

糖尿病的健康管理拥有“五架马车”，包括饮食治疗、运动治疗、药物治疗、血糖监测及健康教育，这5个方面贯穿糖尿病诊疗的全过程，与糖尿病患者的预后有着密不可分的关系，而人工智能则是落实全面管理的新型驱动力，有效减轻糖尿病患者的痛苦，实现远程管理，促进自我健康管理。

3.1 饮食管理

一项国外研究[18]开发了结合人工智能技术的零食推荐系统，通过与3位营养专家规定的饮食比较，结果表明该系统能够根据季节(准确率100%)和个人兴趣(准确率90%)向糖尿病患者推荐各种零食，能够帮助糖尿病患者更健康地饮食。2019年Fang等[19]引入新概念“食物能量分布”，使用GAN架构学习食物图像与其能量分布的映射，其中食物能量是根据GAN预测的能量分布图像估计，该方法在一组为期 7 d的饮食研究中收集的食物图像上得到验证，有望提高食物评估的准确性。2021年Omisore等[20]开发了一种集成系统，由设计用于糖尿病诊断的多模态自适应神经模糊推理模型和设计用于糖尿病个性化管理的基于知识的饮食推荐模型组成，该系统将用户的诊断结果与他们的饮食公式相结合，以确定用户每天的食物消耗量，并根据专家设计的模板生成每周的个性化饮食计划。评估结果表明，与现有的几种用于慢性病治疗的饮食推荐系统相比，该系统的推荐模型性能最好。

3.2 运动管理

在一项 22 h过夜住院研究中[21]，13 例 1 型糖尿病患者佩戴Zephyr 加速计和心率监测器进行了 45 min的轻度有氧跑步机运动，同时使用传感器增强泵疗法控制血糖水平，过程中计算机血糖调节模型能够以97.2%的灵敏度和99.5%的特异性检测运动事件，并且在血糖调节模型中加入运动模型有助于估计运动期间血糖的下降程度。2021年Sevil等[22]利用机器学习技术估计身体活动和急性心理压力单独和同时发生时的类型和强度，开发了第一个葡萄糖预测模型，有助于提高血糖浓度预测的准确性，决定适宜的活动类型和强度。

3.3 药物治疗

糖尿病治疗闭环系统，即人工胰腺，是近些年的研究热点，由持续葡萄糖监测(continuous glucose monitoring，CGM)系统、胰岛素泵及控制算法构成[23]，集监测血糖与调整胰岛素剂量为一体，主要针对1型糖尿病的胰岛素治疗，此前已经有多项研究说明人工胰腺可以显著改善夜间血糖控制，有效减少夜间低血糖的发生率。而人工智能在协助决策降糖药物的使用及提高患者的用药依从性方面也获益颇多[24]。Eghbali-Zarch等[25]将使用模糊多标准决策模型的计算机辅助医疗决策支持用于2 型糖尿病的药物治疗选择，结果表明，二甲双胍被确认为一线药物，磺脲类药物被确认为二线辅助治疗，胰高血糖素样肽-1(glucagon-like peptide-1，GLP-1) 受体激动剂、二肽基肽酶-4(dipeptidyl peptidase-4，DPP-4)抑制剂和胰岛素依次排在第3～5位。这些降糖药物的使用等级为内分泌学专家提供了重要的参考意义。近两年，众多研究[26-31]致力于开发基于人工智能的决策支持系统，在CGM和胰岛素泵的基础上，通过深度学习、k-近邻算法、随机森林、梯度提升树等多种算法优化1型糖尿病患者进餐时胰岛素剂量的推注。2021年Zhu等[32]还提出一种用于单激素(胰岛素)和双激素(胰岛素和胰高血糖素)递送的新型深度强化学习模型，其中传递策略是通过双Q学习和扩张的递归神经网络开发的，计算机结果表明，与使用低葡萄糖胰岛素悬浮液的标准基础推注疗法相比，单激素和双激素递送策略实现了良好的血糖控制。

3.4 血糖监测

与便携式血糖测定仪相比，上文中提到的CGM系统实时动态地监测血糖，具有准确性、安全性的优势，且能够避免多次指尖采血导致的糖尿病痛苦增加。CGM已被证明可降低低血糖和高血糖的风险，当检测到低血糖时，CGM 暂停胰岛素输注直到血糖恢复至安全水平，并且CGM有助于降低糖基化血红蛋白和平均血糖。2020年Bertachi等[33]基于机器学习的预测模型预测使用多剂量胰岛素的1型糖尿病患者夜间低血糖的发生，并且使用多层感知器和支持向量机生成个性化预测模型，有效避免了70%以上的夜间低血糖。

3.5 健康教育

人工智能应用程序通过实时发布糖尿病知识，在线解答糖尿病患者的疑问，完成系统的糖尿病健康宣教，在院外远程管理方面发挥了显著优势。国内的学者在这方面已有诸多探究。一项随机对照研究[34]的结果表明，与单纯的内分泌门诊诊疗相比，联合人工智能系统的健康教育更有利于改善2型糖尿病患者的血糖、血脂指标，为患者的健康教育提供一种新方式。杨昕等[35]应用智能穿戴设备及智能医疗手机APP对2型糖尿病患者进行管理指导，结果表明智能化系统可以提高患者院外的生活质量及自我管理能力，改善患者院外期间的血糖、血脂、体质指数。

人工智能在糖尿病研究和临床中的应用是全面深入的，随着科技的不断革新，人工智能在糖尿病预测、诊断、治疗、并发症筛查各个方面会发挥出更多的优势来辅助临床精准医疗。但是，人工智能尚处于起步阶段，目前很多研究仍在试验中，还未以成熟的体系应用于临床，缺乏远期效果的评估；
其次，无论是医疗事故中主体责任的承担还是诊治过程中的人文关怀，人工智能无法取代医疗工作者的位置；
人工智能作为计算机的分支，必然存在信息泄露的风险，需要健全的法律体系及监管制度保障患者的信息安全。总而言之，在合理合法应用人工智能的前提下，其智能化和自动化的优势会为糖尿病及其他慢性病的诊治带来不可估量的有益之处。