智能诊疗新纪元：DeepDR-LLM提升糖网病筛查效率

在糖尿病护理领域，糖尿病视网膜病变（DR）的筛查仍然是一个重大公共卫生问题。全球糖尿病患者超过5亿，其中80%集中在低收入和中等收入国家。这些地区由于医疗资源匮乏和缺乏训练有素的初级保健医生，导致糖尿病的漏诊和管理不善，且专科转诊不充分或不适当。这不仅对个人健康带来了负面影响，还对社会经济造成了广泛影响。

糖尿病视网膜病变是糖尿病患者最常见的并发症之一，约影响30-40%的糖尿病患者，并且是劳动力人群失明的主要原因。DR的存在还预示着其他并发症的高风险，例如肾脏、心脏和大脑。因此，定期进行DR筛查被普遍推荐为糖尿病护理的重要组成部分。然而，基础设施、人力和成本效益筛查项目的缺乏，导致DR筛查在低收入和中等收入国家常常被忽视。

为了应对这些挑战，近年来出现了多种数字技术，包括远程医疗、人工智能辅助血糖监测与预测、基于眼底图像的深度学习模型以及低成本的便携式眼底相机。这些技术大多集中于增强糖尿病管理或提供DR筛查，但很少能同时兼顾这两方面。此外，这些技术的使用还需要训练有素的初级保健医生，而在资源有限的环境中，这类医生数量有限。

基于此，研究人员开发了一种集成图像与语言的系统（DeepDR-LLM），该系统结合了大语言模型（LLM）和基于图像的深度学习（DL）模型（DeepDR-Transformer），旨在为初级保健医生提供个性化的糖尿病管理建议。在回顾性评估中，LLM模块在英语测试中表现与初级保健医生和内分泌学住院医生相当，在中文测试中甚至表现优于初级保健医生。在识别需转诊的DR方面，未使用辅助工具的初级保健医生准确率为81.0%，而在使用DeepDR-Transformer辅助下，准确率提升至92.3%。

此外，研究人员还进行了单中心的真实世界前瞻性研究，部署了DeepDR-LLM系统。结果显示，使用辅助工具的患者在自我管理行为方面表现更好。例如，他们减少了精制谷物和酒精的摄入，增加了全谷物和新鲜蔬菜的摄入，并且更加活跃。此外，对于需转诊的DR患者，使用辅助工具组更有可能遵循转诊建议，且预约眼科医生的时间显著缩短。

DeepDR-LLM系统通过集成LLM和DL技术，为初级糖尿病护理提供了全面的解决方案。系统在多个方面表现出色，包括个性化管理建议、实时DR筛查和提高患者的自我管理能力。特别是在资源有限的环境中，DeepDR-LLM系统有望显著改善患者的健康管理行为，并为医生提供有效的辅助工具，从而提升整体医疗质量。

该系统的应用显示出其在多种族、多数据集上的验证结果，表明其在真实世界中的应用潜力。特别是对于资源有限的环境，该系统为糖尿病视网膜病变的初级护理提供了一种新的方法，有望在全球范围内推广应用。