基于 fundus 照片的深度学习系统,在急性阶段区分视觉神经炎与非动脉炎前部缺血性视觉神经病变
Kaiqun Liu1, Shaopeng Liu2, Xiao Tan3
1State Key Laboratory of Ophthalmology, Zhongshan Ophthalmic Center, Sun Yat-sen University, Guangzhou, China.
Frontiers in medicine
|July 17, 2023
概括
一个新的AI系统,ONION,使用 fundus 照片准确地区分脱髓化视神经炎 (ON) 和非动脉炎前部缺血性视神经病变 (NAION). 这种深度学习工具显示出高灵敏度和特异性,有助于挑战性急性阶段诊断.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 由于急性阶段的临床表现重叠,区分脱髓化视神经炎 (ON) 和非动脉炎前部缺血性视神经病变 (NAION) 具有挑战性.
- 准确和及时的诊断对于适当的患者管理和视觉结果至关重要.
研究的目的:
- 开发和验证一个深度学习系统 (ONION) 来区分急性ON和NAION.
- 评估ONION系统的性能与眼科医生的诊断能力相比.
主要方法:
- 一个深度学习模型 (Efficientnet-B0) 使用 871 个眼睛 (396 ON, 475 NAION) 的彩色底部照片 (CFP) 进行训练.
- 用灵敏度,特异性和接收器操作特征曲线 (AUC) 下的面积来评估模型性能.
- 该系统的诊断准确性与使用科恩卡帕系数的视网膜专家的诊断准确性进行了比较.
主要成果:
- 在验证 (AUC 0.903,灵敏度 0.796,特异性 0.865) 和测试 (AUC 0.902,灵敏度 0.814,特异性 0.841) 数据集中,ONION系统实现了高诊断性能.
- 该系统的诊断协议 (κ = 0.805) 与视网膜专家 (κ = 0.749) 相比,优于其他眼科医生 (κ = 0.3090.609).
- 该ONION系统提供了快速诊断,处理时间为23秒 (验证) 和17秒 (测试).
结论:
- 在区分急性ON和NAION方面,ONION深度学习系统表现出令人满意的性能.
- 这种人工智能工具有潜力显著帮助临床医生在这些视觉神经病变的挑战性诊断.
