在苏格兰的糖尿病眼部查计划中,深度学习检测糖尿病视网膜病变
Alan D Fleming1, Joseph Mellor2, Stuart J McGurnaghan1
1The Institute of Genetics and Cancer, University of Edinburgh Western General Hospital, Edinburgh, UK.
The British journal of ophthalmology
|September 13, 2023
概括
与现有的自动化方法相比,用于糖尿病视网膜病变 (DR) 评分的新深度学习系统显示出更高的特异性. 这种先进的DR分级工具显示了在选程序中显著减少手动分级工作负载的潜力.
科学领域:
- 眼科医生 眼科 眼科
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 苏格兰糖尿病视网膜病 (DR) 查 (DES) 计划使用iGradingM,这是一个基于支持矢量机器的自动分级系统,用于DR检测.
- iGradingM有效地对选情节进行分类,将其分类为无DR的分级或需要手动分级.
研究的目的:
- 为DR检测开发一种基于深度学习的新型自动升级器.
- 通过使用国家DES数据,评估和比较新的深度学习自动升级器与现有的iGradingM系统的性能.
主要方法:
- 利用了包括视网膜图像,质量保证 (QA) 数据和来自11年 (2006-2016) 的179,944名患者的常规DR等级的国家数据集.
- 开发了一个深度学习算法来识别无法分类的图像或任何一只眼睛中DR的存在.
- 与共识QA等级和常规DR等级相比,评估了算法灵敏度和特异性.
主要成果:
- 与手动分级器和iGradingM相比,深度学习系统在检测QA集中的不可分级或受DR影响的图像时,在同等灵敏度下,实现了更高的特异性 (p<0.001).
- 检测到任何DR具有89.19%的灵敏度和77.41%的特异性,可观察疾病具有96.58%的灵敏度,可转移疾病具有98.48%的灵敏度.
- 深度学习系统表明,43.84%的选事件需要手动分级.
结论:
- 开发的DR分级的深度学习系统,在广泛的国家查数据上进行评估,显示了改善自动化DR检测的前景.
- 该系统有可能减少手动分级工作量,同时保持与当前的自动分级系统 (如iGradingM.) 相同的灵敏度.
