深度学习用于局部检测光盘出血
Aaron Brown1, Henry Cousins2, Clara Cousins3
1From the Department of Ophthalmology (A.B., K.E., A.H., A.F., L.B., K.Y., K.V., N.C., L.R.P.), Icahn School of Medicine at Mount Sinai, New York, New York, USA; Department of Ophthalmology (A.B., K.E., A.H., A.F., L.B., K.Y., K.V., N.C., L.R.P.), New York Eye and Ear Infirmary of Mount Sinai, New York, New York, USA.
American journal of ophthalmology
|July 25, 2023
概括
一个自动化的深度学习系统有效地检测光盘照片中的磁盘出血. 这种物体检测模型的性能优于图像分类,并且与临床医生的性能相匹配,有助于青光眼的诊断.
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:
- 磁盘出血是绿眼病进展的关键指标.
- 精确检测磁盘出血对于及时诊断和管理至关重要.
- 自动化系统有可能提高出血检测的效率和一致性.
研究的目的:
- 开发和评估用于自动检测和定位磁盘出血的深度学习系统.
- 为了比较对象检测模型与图像分类模型的性能.
- 评估系统相对于专家临床医生的表现.
主要方法:
- 训练了两个深度学习模型 (对象检测和图像分类) 在来自5个机构的1562张光盘照片的数据集上.
- 使用专家评分器进行初始图像分类.
- 使用接收器操作特征曲线 (AUC) 下面的面积来比较模型性能,并与两名青光眼专家进行了评估.
主要成果:
- 对象检测模型实现了0.936的优异AUC,而图像分类模型的AUC为0.845.
- 在高特异性时,物体检测模型显示出94.3%的特异性和70.0%的灵敏度,与专家临床医生相比.
- 在高灵敏度下,该模型实现了96.7%的灵敏度和73.3%的特异性.
结论:
- 自主物体检测模型在识别磁盘出血方面比图像分类更有效.
- 开发的深度学习系统在检测磁盘出血方面表现相当于专家临床医生.
- 这种自动化系统有望改善青光眼的诊断和监测.
