黄天荫教授联合上海交通大学与新加坡国立大学团队研制视觉-大语言模型集成系统DeepDR-LLM，赋能全球糖尿病基层诊疗

完美体育·(中国)官方网站

清华大学副教务长、完美体育·(中国)官方网站主任黄天荫教授团队，上海交通大学电院计算机系/教育部人工智能重点实验室盛斌教授团队，上海交通大学完美体育·(中国)官方网站附属第六人民医院贾伟平教授及李华婷教授团队，新加坡国立大学及新加坡国家眼科中心覃宇宗教授团队合作研究，成功构建全球首个面向糖尿病诊疗的视觉-大语言模型集成系统DeepDR-LLM，成果于2024年7月19日在Nature Medicine发表（题为Integrated image-based deep learning and language models for primary diabetes care）。DeepDR-LLM系统融合了语言模型和基于眼底图像的深度学习技术，为基层医生提供个性化的糖尿病管理意见及糖尿病视网膜病变（diabetic retinopathy, DR）辅助诊断结果。该系统在覆盖亚非欧三大区域七个国家的多中心队列中进行了回顾性验证，并通过针对中国基层医疗场景开展前瞻性真实世界研究验证，首次提供了面向糖尿病医疗垂直领域的多模态大模型应用效果的高质量循证证据。DeepDR-LLM系统有望大幅改善中低收入国家的基层糖尿病管理和DR筛查水平，为未来全球糖尿病管理提供了革命性的数字解决方案。

图1 本文于2024年7月在《Nature Medicine》杂志在线发表

研究背景

全球糖尿病患者超5亿人，其中80%生活在中低收入国家1。我国现有糖尿病人数居全球之首（超1.4亿），糖尿病防治形势更为严峻，尤其在基层和偏远地区，远不能满足糖尿病管理的实际需求。糖尿病的患病率不断上升对中国及全球的公共卫生构成重大挑战2。

人工智能特别是深度学习在糖尿病及并发症管理领域发挥着越来越重要的作用，如2017年，时任新加坡国家眼科中心医学主任的黄天荫教授及其团队在国际上率先基于深度学习算法并在多种族人群上实现了自动诊断中重度DR病例成果发表于JAMA3，成果在智能医疗发展历史上具有里程碑式意义。黄天荫教授于2021年底受聘于清华大学担任讲席教授及医学学科带头人，积极开展人工智能赋能糖尿病及眼病并发症诊疗的转化研究工作。2024年1月黄天荫教授团队与上海交通大学医工交叉团队合作，研制基于Weibull混合分布模型的深度学习框架DeepDR Plus，发表于Nature Medicine4，在全球率先精准预测DR进展的时间和发病风险。

然而，既往人工智能系统研发重点仅局限于糖尿病的辅助管理或DR筛查的单一领域。随着全球范围内以ChatGPT为代表的生成式人工智能技术的迅猛发展和迭代更新，多模态大模型正不断推动医疗领域涌现出新的应用场景和模式，但尚无法根据患者的医学影像及病情状况提供准确的诊断建议和安全的个性化糖尿病综合诊疗意见5。鉴于此，如何将糖尿病诊疗意见的自动生成与糖尿病眼部并发症的精准诊断进行有效整合，进而构建出一个安全、可控的多模态智能模型，以支持基层医生实现一站式辅助诊疗服务，已成为了当前国际医疗领域的前沿趋势和重要挑战。

针对上述技术空白与临床需求，清华大学黄天荫教授与上海交通大学、新加坡国立大学等机构合作，研发了全球首个面向糖尿病基层诊疗的视觉-大语言模型集成系统DeepDR-LLM（图2）。DeepDR-LLM系统由LLM模块和DeepDR-Transformer模块构成，科研团队创新性地提出了结合适配器（Adaptor）和低秩自适应（Low-Rank Adaptation, LoRA）技术的多模态大模型优化策略，利用37.2万条基层慢病诊疗和管理数据和超50万张眼底图像对DeepDR-LLM多模态大模型进行训练优化，实现了个性化糖尿病诊疗意见的精准生成，可为基层医生提供个性化的糖尿病管理和DR辅助诊断服务。

图2 DeepDR-LLM系统概览

研究概述

DeepDR-LLM系统由LLM模块和DeepDR-Transformer模块构成，研究团队创新性地提出了融合Adaptor和LoRA的多模态大模型协同优化策略，成功构建了全球首个面向糖尿病基层诊疗的视觉-大语言模型集成系统（图2）。基于大语言模型LLaMA，LLM模块通过构建Adaptor和LoRA融合框架，将额外的可训练网络层插入到LLaMA架构中，同时冻结LLaMA的原有权重参数，并对新构建的模型网络利用37.2万条慢病诊疗和管理数据进行训练，可实现基于临床信息的糖尿病管理意见推荐。DeepDR-Transformer模块利用了Transformer模型架构，利用了超50万张眼底图像进行训练，可实现基于眼底图像的图像质量检测、眼底病变分割和DR分级检测。DeepDR-Transformer模块产出的DR信息可以输入LLM模块实现DeepDR-LLM系统的集成。

DeepDR-LLM系统自去年研制成功后，科研团队对该系统开展了安全性、可靠性、可控性、公平性等多维度的评估（图3）。研究团队邀请香港中文大学Juliana C. N. Chan教授、澳大利亚Baker心脏病与糖尿病研究所Jonathan E. Shaw教授、美国约翰霍普金斯大学Justin B. Echouffo-Tcheugui教授、新加坡国家眼科中心Gavin Siew Wei Tan教授等10位糖尿病相关学科的著名学者组成国际多学科专家委员会，专家委员会首先从覆盖中国31个省区的中国糖尿病慢性并发症研究队列中随机抽取100个病例样本，专家针对每个病例形成诊疗共识，以此为标准答案，对DeepDR-LLM系统和基层医生给出的诊疗意见进行盲法评分，发现DeepDR-LLM系统产出诊疗意见的质量达到或强于基层医生的水平（图3a）。

DeepDR-LLM系统通过来自北京、上海、广州、武汉及香港等中国城市和新加坡、印度、泰国、英国、阿尔及利亚、乌兹别克斯坦六个国家的超50万张眼底图像对DeepDR-LLM系统进行外部测试，其DR诊断能力达到专业眼科医生水平（图3b）。进一步通过面向中国基层医生和新加坡读片人员的读片试验，利用从中国糖尿病慢性并发症研究、新加坡眼病流行病学研究等数据库抽取的眼底图像，团队同时证明了基层医生在DeepDR-LLM的辅助下能够更准确地判读DR（图3c）。

此外，研究团队将集成的DeepDR-LLM系统应用于真实世界临床流程，开展了随访769名中国基层糖尿病患者的前瞻性研究，证明了在DeepDR-LLM系统纳入糖尿病诊疗流程后，可显著改善新发糖尿病患者的自我管理行为，提高DR患者的转诊依从性（图3d）。

图3 DeepDR-LLM系统评估流程

研究意义

由清华大学、上海交通大学及新加坡国立大学等机构合作研究，通过创新性地提出融合Adaptor与LoRA的多模态大模型协同优化策略，成功构建了全球首个面向糖尿病基层诊疗的视觉-大语言模型集成系统DeepDR-LLM，可实现DR辅助诊断及糖尿病管理意见推荐。从更广泛的公共卫生角度来看，目前全球基层糖尿病管理水平参差不齐，中低收入国家面临医疗资源不足、缺乏训练有素的基层医生等挑战。未来DeepDR-LLM系统有望纳入基层糖尿病管理诊疗流程（图4），特别在中低收入国家，可提高基层DR筛查能力和糖尿病诊疗水平，进而改善预后。研究团队秉承以人为本、智能向善的理念，为基层糖尿病管理的未来变革提供了高质量循证依据，让全球糖尿病治理更好融入数字化、智能化、绿色化潮流，为糖尿病智能治理贡献中国方案和亚洲智慧。

图4 DeepDR-LLM系统纳入基层糖尿病管理诊疗流程的愿景

作者信息

清华大学黄天荫教授，上海交通大学盛斌教授、贾伟平教授及李华婷教授，新加坡国立大学覃宇宗教授为本文共同通讯作者。上海交通大学李佳佳、管洲榆，上海市保健医疗中心王静为本文共同第一作者。本工作还到了来自国家基层糖尿病防治管理办公室、中国医学科学院北京协和完美体育·(中国)官方网站、首都医科大学、华中科技大学、中山大学、香港中文大学等多个机构及专家团队的支持和帮助。此外，英国、美国、新加坡、澳大利亚、西班牙、马来西亚、阿尔及利亚、乌兹别克斯坦、泰国、印度等国的多学科专家团队给予了帮助和支持。该研究得到科技部国家重点研发计划、国家自然科学基金、北京市自然科学基金和上海市科委“一带一路”国际联合实验室建设项目等资助。DeepDR-LLM系统研发所需算力资源得到上海交通大学AI for Science科学数据开源开放平台的支持。

原文链接：https://www.nature.com/articles/s41591-024-03139-8

参考文献：

1.        Sun H, Saeedi P, Karuranga S, et al. IDF Diabetes Atlas: Global, regional and country-level diabetes prevalence estimates for 2021 and projections for 2045. Diabetes Research and Clinical Practice. 2022;183:109119. doi:10.1016/j.diabres.2021.109119

2.        Chan JCN, Lim L-L, Wareham NJ, et al. The Lancet Commission on diabetes: using data to transform diabetes care and patient lives. Lancet. 2021;396(10267):2019-2082. doi:10.1016/S0140-6736(20)32374-6

3.        Ting DSW, Cheung CY-L, Lim G, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152

4.        Dai L, Sheng B, Chen T, et al. A deep learning system for predicting time to progression of diabetic retinopathy. Nature Medicine. 2024;30(2):584-594. doi:10.1038/s41591-023-02702-z

5.        Sheng B, Guan Z, Lim L-L, et al. Large language models for diabetes care: Potentials and prospects. Sci Bull (Beijing). 2024;69(5):583-588. doi:10.1016/j.scib.2024.01.004