深度学习检测系统对光眼神经病变的外部验证:现实世界的多中心研究

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 玻璃眼光神经病 (Glaucomatous optic neuropathy,简称GON) 是全球不可逆转失明的主要原因.
• 准确及时诊断GON对于预防视力丧失至关重要.
• 使用人工智能 (AI) 的自动诊断系统在提高诊断效率方面表现有前途.

研究的目的:

• 在外部验证一个自动化的AI诊断系统检测GON使用 fundus照片.
• 评估人工智能系统在现实世界中的性能,多中心队列.
• 评估人工智能系统在不同临床场景和患者群体中的通用性.

主要方法:

• 使用3个多中心数据集 (共11360张基底图像) 对AI诊断系统的外部验证.
• 数据集包括来自不同医院的图像和高近视 (HM) 的人群.
• 计算了性能指标,包括灵敏度,特异性,精度和接收器操作曲线 (AUC) 下的面积.

主要成果:

• 人工智能系统在一般验证数据集中实现了高精度 (91.40%-93.18%) 和AUC (95.17%-96.64%),在灵敏度方面表现优于手动分级器.
• 在有视网膜并发症 (例如,糖尿病视网膜病变,与年龄相关的黄斑变性) 的子集上,表现保持强,AUC高达97.46%.
• 在高近视人口中,AI系统在GON检测方面表现出可比的准确性 (81.98%) 和AUC (87.49%).

结论:

• 自动化的人工智能诊断系统在不同的图像质量,临床中心和视网膜并发症中表现出可接受的概括能力.
• 人工智能系统有可能提供专家级别的玻璃眼瘤检测.
• 这证实了人工智能系统在现实世界临床实践中的实用性,用于识别光眼神经病变.