通过卷积神经网络分析ECT成像和临床检验数据评估糖尿病视网膜病变和糖尿病肾病之间的相关性OA北大核心CSTPCD

目的从影像学和临床检验数据综合评估2型糖尿病患者(T2DM)中糖尿病肾病(DN)和糖尿病视网膜病变(DR)的相关性。方法选取2021年3月至2022年12月就诊于资阳市第一人民医院的T2DM患者600例,所有患者均行眼底照相和荧光素眼底血管造影检查,收集患者年龄、性别、T2DM持续时间、心血管疾病、脑血管疾病、高血压、吸烟史、饮酒史、体重指数、收缩压和舒张压等临床数据。测量空腹血糖、甘油三酯、总胆固醇、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、糖化血红蛋白、24 h尿白蛋白、尿白蛋白/肌酐、血肌酐和血尿素氮水平。采用Logistic回归分析与DR相关的危险因素。根据眼底图片进行DR分期,采用卷积神经网络(CNN)算法作为图像分析方法,通过ECT成像技术和临床检验数据评估DR和DN之间的相关性。结果采用CNN算法进行分析,无明显DR、轻度非增生型DR(NPDR)、中度NPDR、重度NPDR和增生型DR(PDR)组患者的DR和DN病变面积率均高于采用传统算法(TCM)的结果。随着DR的加重,患者血肌酐、血尿素氮、24 h尿白蛋白和尿白蛋白/肌酐均逐渐升高,无明显DR、轻度NPDR、中度NPDR、重度NPDR和PDR组患者的DN发生率分别为1.67%、8.83%、16.16%、22.16%和30.83%。Logistic回归分析结果显示,T2DM持续时间、吸烟史、糖化血红蛋白、总胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、24 h尿白蛋白、血肌酐、血尿素氮、尿白蛋白/肌酐、肾小球滤过率是DR的独立危险因素。肾动态ECT成像分析结果表明,随着DR的加重,肾血流灌注逐渐减少,从而导致肾过滤功能下降。结论在T2DM患者中,CNN算法早期应用于DR和DN图像的分析,将有助于提高DR和DN病变面积诊断准确性,随着DR病变的加重,DN的严重程度逐渐增加。