直击IDF | AI赋能糖尿病诊疗！贾伟平院士团队多项研究成果亮相 2025IDF 学术会议

医脉通内分泌科

2025-04-11 20:13发布于北京医脉通内分泌科官方账号

2025年4月7日~10日，2025国际糖尿病联盟（IDF）世界糖尿病大会于泰国曼谷隆重召开，本次大会以“Shape the future of diabetes（塑造糖尿病的未来）”为主题。作为全球糖尿病领域的顶级盛会，大会汇聚了全球顶尖医疗专家、政策制定者及糖尿病患者代表等，共同探讨糖尿病防治的前沿进展与未来方向。

在这场学术盛宴中，上海交通大学医学院附属第六人民医院贾伟平院士团队数篇研究入选，展现中国科研实力！

PART.01

研究一：基于视网膜图像的深度学习技术在糖尿病肾病非侵入性活检诊断中的应用

研究作者：管洲榆等

研究背景：糖尿病肾病（Diabetic Kidney Disease，DKD）的筛查可及性以及糖尿病肾病（Diabetic Nephropathy, DN）与非糖尿病性肾病（Non-Diabetic Kidney Disease, NDKD）的鉴别诊断，是糖尿病管理中的两大核心挑战。当前，DKD 的诊断主要依赖于肾活检等侵入性手段，不仅增加了患者的痛苦，也限制了筛查的普及性。因此，开发一种非侵入性、高效且易于推广的诊断工具具有重要的临床意义。

研究目的：本研究旨在开发并验证一种基于视网膜图像的深度学习系统（DeepDKD），用于检测DKD，并进一步区分DN与NDKD，以期为临床实践提供一种创新的诊断工具。

研究方法：研究人员开发了一种基于视网膜图像的人工智能深度学习系统（DeepDKD），该系统基于 734,084 张视网膜图像进行预训练。在DKD检测方面，我们使用了来自 121,578 名参与者的 486,312 张视网膜图像进行开发和内部验证，并通过十个多种族数据集进行外部验证。在区分DN与NDKD方面，使用了来自 267 名接受肾活检的参与者的 1,068 张视网膜图像进行开发和内部验证，并通过三个多种族数据集进行外部验证。此外，还进行了两项概念验证研究：一项是前瞻性真实世界研究，用于评估 DeepDKD 在 DKD 筛查中的有效性；另一项是纵向分析，用于评估 DeepDKD 在区分单纯 DN 与 NDKD 对肾功能变化的影响，随访时间为 4.6 年。

研究结果：在DKD检测方面，DeepDKD 在内部验证数据集上实现了 0.842（95% 置信区间，0.838-0.846）的曲线下面积（AUC），在外部验证数据集上的 AUC 值为 0.792-0.826。在区分单纯DN与NDKD方面，DeepDKD 在内部验证数据集上实现了 0.906（95% 置信区间，0.825-0.966）的 AUC 值，在外部验证数据集上的 AUC 值为 0.733-0.844。在前瞻性研究中，与基于元数据的模型相比，DeepDKD 在检测 DKD 时具有更高的敏感性（89.8% 对比 66.3%）。在纵向研究中，DeepDKD 识别的单纯 DN 患者与 NDKD 患者在 4.6 年随访期内的肾功能结果存在显著差异（估算肾小球滤过率下降比例：27.45% 对比 52.56%，P=0.001）。

研究结论：本研究开发的基于视网膜图像的深度学习系统（DeepDKD）在多种族糖尿病人群中表现出良好的 DKD 检测性能以及 DN 与 NDKD 的鉴别能力。该系统不仅具有非侵入性、高效性和可推广性，还为糖尿病肾病的早期筛查和精准诊断提供了新的技术路径，具有重要的临床应用前景。未来，该技术有望进一步优化并广泛应用于糖尿病肾病的管理中，以改善患者的预后和生活质量。

PART.02

研究二：用于预测糖尿病视网膜病变进展时间的深度学习系统

研究作者：李华婷等

研究背景：糖尿病视网膜病变（DR）是全球可预防性失明的主要原因。由于不同个体的DR进展风险差异较大，使得DR的风险预测和个性化筛查间隔的制定变得非常困难。

研究目的：研究团队旨在开发并验证一种深度学习系统（DeepDR Plus），基于眼底图像预测未来5年内DR进展的时间。

研究方法：研究团队使用了来自 179,327 名糖尿病患者的 717,308 张眼底图像对系统进行预训练。随后，利用包含 29,868 名糖尿病患者的 118,868 张眼底图像的多种族数据集对系统进行训练和验证。此外，还在糖尿病患者的真实世界队列中对系统进行了验证。

研究结果：DeepDR Plus在预测DR进展时间方面表现良好，一致性指数（C-index）在0.754~0.846之间，综合Brier评分在0.153~0.241之间（预测时间范围为5年内）。在真实世界的糖尿病患者队列中，结合临床工作流程，DeepDR Plus可将平均筛查间隔从12个月延长至31.97个月，并建议在1~5年内进行筛查的受试者比例分别为30.62%、20.00%、19.63%、11.85%和17.89%，而进展为威胁视力的DR的延迟检出率为 0.18%，表明DeepDR Plus 具有较高的预测准确性。研究还发现，视网膜血管几何特征和黄斑中心凹区域是预测未来DR 发生的重要影像特征。

研究结论：总体而言，DeepDR Plus 系统能够预测个体在 5 年内 DR 进展的风险和时间，从而可能实现个性化筛查间隔，为DR早期筛查与管理提供潜在的临床应用价值。

PART.03

研究三：基于图像的深度学习和语言模型用于初级糖尿病护理

研究作者：贾伟平等

研究背景：糖尿病初级护理和糖尿病视网膜病变（DR）筛查仍是公共卫生领域的重大挑战，主要原因是经过专业培训的初级保健医生（PCPs）短缺，尤其是在资源匮乏的地区。

研究目的：研究团队旨在开发一种集成图像-语言系统（DeepDR-LLM），将大型语言模型（LLM 模块）与基于图像的深度学习（DeepDR-Transformer）相结合，旨在为PCPs提供个性化的糖尿病管理建议。

研究方法：我们通过微调 LLaMA 模型开发了大型语言模型（LLM 模块），使用了来自 267,730 名参与者的 371,763 条真实世界糖尿病管理建议。随后，我们使用包含 1,085,295 张标准视网膜图像和 161,840 张便携式视网膜图像的多种族、多国家数据集，对 DeepDR-Transformer 在可转诊糖尿病视网膜病变（DR）检测中的性能进行了训练和测试。通过四项实验评估了 DeepDR-LLM 的性能。

研究结果：回顾性评估显示，LLM模块在英语能力测试中的表现与PCPs及内分泌科住院医师不相上下，甚至在某些测试中超越了PCPs，且在涵盖多民族、多国家的数据集上也展现出了出色的表现。DeepDR-LLM的表现可与内分泌科住院医师相媲美，在Reader研究中，对于识别可转诊的DR，PCP在未使用辅助工具时的平均准确率为81.0%，而在使用DeepDR-Transformer辅助时准确率提高到了92.3%。

此外，研究者还开展了一项真实世界中的前瞻性研究，将未使用辅助工具的PCP组（n=397）与PCP+DeepDR-LLM组（n=372）患者的糖尿病管理依从性进行了比较。在PCP+DeepDR-LLM组中，新诊断糖尿病的患者在整个随访期间表现出更好的自我管理行为（P<0.05）。

研究结论：综上所述，鉴于多方面的良好性能，DeepDR-LLM有望成为提升初级糖尿病护理和DR筛查的数字解决方案。

PART.04

研究四：大型语言模型用于糖尿病培训：一项前瞻性研究

研究作者：蔡淳等

研究背景：糖尿病对全球健康构成了相当大的挑战。由于医疗专业人员对糖尿病的认知水平不一，凸显了糖尿病培训的重要性。大型语言模型（LLMs）为糖尿病培训提供了新的思路，但在糖尿病相关问题中的表现仍不确定，尤其是在英语以外的语言（如中文）中。

研究目的：本项研究旨在评估大型语言模型（LLMs）在回答英文和中文糖尿病相关问题方面的表现，并进一步探讨LLMs在初级保健医生（PCPs）糖尿病培训中的辅助作用。

研究方法：我们首先基于中国国家初级糖尿病护理证书考试（NCE-CPDC）和英国皇家内科医师学会内分泌与糖尿病专科会员考试，评估了十种大型语言模型（LLMs）在糖尿病相关问题中的表现，这些模型包括：ChatGPT-3.5、ChatGPT-4.0、Google Bard、LlaMA-7B、LlaMA2-7B、Baidu ERNIE Bot、Ali Tongyi Qianwen、MedGPT、Huatuo-GPT 和Chinese LlaMA2-7B。其次，我们评估了在 NCE-CPDC 考试中，初级保健医生（PCPs，n=7）在有无 ChatGPT-4.0 辅助情况下的培训效果，以确定大型语言模型作为医疗助手的可靠性。

研究结果：在英语环境评测中，ChatGPT-4.0 的表现优于其他大型语言模型（LLMs），其通过准确率达到 62.50%，显著高于 Google Bard、LlaMA-7B 和 LlaMA2-7B。在 NCE-CPFC 考试中，ChatGPT-4.0、Ali Tongyi Qianwen、Baidu ERNIE Bot、Google Bard、MedGPT 和 ChatGPT-3.5 成功通过，而 LlaMA2-7b、Huatuo-GPT、Chinese LLaMA2-7B 和 LlaMA-7B 未能通过。ChatGPT-4.0（占比 84.82%）在 NCE-CPDC 考试中超越了所有 PCP，并且帮助了大多数 PCP 提高了成绩（成绩提高了 1 至 6.13 分）。

研究结论：研究证实，LLMs在回答中文和英语的糖尿病相关问题上均表现出卓越的能力，在全球范围内辅助未来医生糖尿病培训方面具有巨大潜力。

PART.05

研究五：基于社区的糖尿病管理同伴支持：与对照社区相比的 24 个月变化情况

研究作者：刘月星等

研究背景：通过社区健康中心（CHCs）实施的糖尿病自我管理支持（DSMS）的同伴支持（PS）在启动后18个月内显示出持续的益处。然而，这些益处受到各社区健康中心实施情况和资源差异的限制。

研究目的：评估扩大支持糖尿病同伴支持（PS）用于糖尿病自我管理支持（DSMS）的社区组织范围的有效性。

研究方法：12 个社区被分配到社区同伴支持（Community Peer Support）组，4 个社区被分配到对照组，所有社区均根据其位于城市或郊区的位置进行匹配。社区同伴支持的实施方法整合了标准化、灵活适应和创新，涉及多个社区合作伙伴，包括当地健康促进部门、社区健康中心、居民委员会和社区自我管理小组。主要结果指标为糖化血红蛋白（HbA1c）。次要结果指标包括体重指数（BMI）、空腹血糖（FPG）、收缩压和舒张压、抑郁症状（PHQ-8）、糖尿病困扰和一般生活质量。

研究结果：967名参与者完成了基线和随访评估，其中包括54.2%的女性，平均年龄为65.68岁。在控制人口统计学混杂因素和基线个体变量水平后，社区同伴支持（PS）组与对照组社区相比，在24个月后 HbA1c (7.42% vs. 7.95%), BMI (25.31 kg/m2 vs. 25.94 kg/m2), FPG (7.91 mmol/L vs. 8.59 mmol/L)，和PHQ-8 (1.39 vs. 1.41) PHQ-8量表得分方面存在显著差异（p值均为0.028）。对于基线HbA1c≥7.5%的参与者，社区同伴支持组在24个月时的HbA1c值为8.35%，而对照组为8.90%（p=0.025）。这一0.55个百分点的差异超过了公认的临床意义标准。研究结果的稳健性体现在与年龄（<65岁或≥65岁）或性别均无显著交互作用。对缺失数据进行插补的敏感性分析也支持了研究结果的稳健性。

研究结论：通过多种社区组织（除了社区健康中心外）实施的糖尿病自我管理支持（DSMS）同伴支持（PS），与24个月时的临床和心理社会指标相关，包括那些基线HbA1c升高的患者。

PART.06

研究六：社区糖尿病管理中的社区支持与血糖控制及生活质量相关联

研究作者：刘月星等

研究背景：糖尿病同伴支持（ Peer Support ， PS ）在糖尿病自我管理支持（ Diabetes Self-Management Support ， DSMS ）中已被证明在启动后18个月内具有持续的益处。然而，来自不同支持来源（例如社区）的贡献尚不明确。

研究目的：识别社区支持（ NeighSupp ）及其在社区为基础的糖尿病同伴支持（ PS ）中与临床和生活质量结果的关系。

研究方法：12个社区被分配到社区同伴支持（ Community PS ）组，4个社区被分配到对照组。在标准化的基础上，允许区域和街道健康促进部门、社区健康中心、居民委员会以及社区自我管理小组之间的灵活适应和创新。这些组织通过居民在各种健康问题上的共同兴趣进行协作。在随访中，通过 5 个问题评估社区支持（NeighSupp）：

➤“我社区的人对糖尿病有基本的了解。”

➤“我可以在社区中与人谈论糖尿病。”

➤“社区支持我的糖尿病自我管理。”

➤“社区有帮助我控制糖尿病的活动。”

➤“我在应对糖尿病时并不孤单。”

研究结果：在社区同伴支持（Community PS）组中，社区支持（NeighSupp）的平均得分高于对照组，分别为 5 分制下的 3.54 分和 3.00 分（p < 0.001），表明社区同伴支持在促进社区支持方面是有效的。在控制年龄、性别、教育程度和糖尿病病程后，回归分析显示，更强的社区支持与血糖管理（HbA1c）（标准化 β = -0.087）、糖尿病困扰（标准化 β = -0.123）和抑郁症状（PHQ-8）（标准化 β = -0.140，所有 p 值 ≤ 0.001）的改善相关。

研究结论：社区同伴支持（Community PS）干预措施增强了邻居支持，这种支持与 HbA1c、糖尿病困扰和抑郁症状的改善相关联，并部分解释了社区同伴支持在这些三个终点上的益处。

本视频/资讯/文章的内容不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。医脉通是专业的在线医生平台，“感知世界医学脉搏，助力中国临床决策”是平台的使命。医脉通旗下拥有「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品，全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。