Die Studie wurde von der Ethikkommission des Shanghaier Sechsten Volkskrankenhauses genehmigt und entsprechend der Deklaration von Helsinki durchgeführt. Alle Teilnehmer gaben ihre informierte Zustimmung. Die Studie wurde im chinesischen klinischen Studienregister (ChiCTR2300069400) registriert. Zur Vorverarbeitung des DeepDR Plus-Systems wurden 717.308 Fundusaufnahmen von 179.327 Personen mit Diabetes verwendet, um dem System das Erlernen von Merkmalen der diabetischen Retinopathie (DR) zu ermöglichen. Daten zur Entwicklung des DeepDR Plus-Systems zur Vorhersage des DR-Verlaufs wurden aus dem DRPS-Kohortensatz gesammelt, der aus zwei Längsschnittstudien besteht.
Es wurden acht unabhängige Kohorten für externe Validierungen herangezogen. Diese Kohorten umfassten verschiedene Bevölkerungsgruppen und klinische Einstellungen. Für die Studie wurden Diagnosen von Diabetes, DR und diabetischem Makulaödem (DME) gemäß ICDRDSS verwendet. Eine sorgfältige Qualitätskontrolle der Bilder wurde durch unabhängige Ophthalmologen durchgeführt. Das Modell verwendet eine Mischung von Weibull-Verteilungen, um die Überlebensfunktion zu schätzen und trainiert ein tiefes neuronales Netzwerk, um die Gewichte für die Mischverteilung zu schätzen. Die Modelle, darunter der Fundus- und Metadatenmodell sowie das kombinierte Modell, wurden basierend auf den Baseline-Daten entwickelt und evaluiert.
Das DeepDR Plus-System verwendet eine Kombination von tiefen neuronale Netzwerkmodellen zur Vorhersage des Risikos für den Verlauf von DR. Es werden sowohl Fundusbilder als auch klinische Metadaten als Eingänge verwendet, um die Zeit bis zum Ereignis zu schätzen. Die Modelle wurden auf verschiedenen Kohorten entwickelt und validiert, wobei die Leistung anhand von C-Index und IBS bewertet wurde. Die Modelle wurden auch auf ihre Fähigkeit getestet, das Risiko für verschiedene Fortschrittsstufen der DR zu bestimmen. Die Interpretation der Vorhersagen wurde durch Visualisierungswerkzeuge ermöglicht, die es Ärzten ermöglichten, wichtige klinische visuelle Merkmale in den Fundus-Bildern zu verstehen.