通过BONSAI (人工智能大脑和视神经研究) 深度学习系统,可以在标准眼底照片上准确地识别儿科 papilledema
Mung Yan Lin1, Raymond P Najjar2, Zhiqun Tang3
1Department of Ophthalmology, Emory University School of Medicine, Atlanta, Georgia.
概括
一个深度学习系统 (DLS) 从眼底照片中准确识别儿科 papilledema. 这种人工智能工具有助于诊断儿童的光盘异常,改善早期检测严重的神经疾病.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 儿科神经学 儿科神经学
背景情况:
- 儿科乳头炎通常表明严重的神经系统疾病,并且在儿童中难以诊断.
- 眼底摄影为儿科患者的数据采集提供了一种可行的方法,即使在非专业的环境中也是如此.
研究的目的:
- 评价一个改进的深度学习系统 (DLS),先前在成年人中得到验证,其在识别儿童的乳头和其他视觉盘异常方面的准确性.
- 评估DLS在儿科患者中作为视神经头部评估的诊断辅助工具的能力.
主要方法:
- 在三个国际中心的多民族儿科队列 (<17岁) 中,DLS在腹底部照片上进行了测试.
- 计算了性能指标,包括多类准确性,曲线下的面积 (AUC),灵敏度和特异性,将DLS性能与专家神经眼科医生进行比较.
主要成果:
- 在447名儿科患者的898张 fundus 照片上,DLS 实现了 89.6% 的整体多类精度.
- 该系统在区分正常光盘和异常光盘 (AUC 0.99) 方面表现出很高的准确性,并特别检测出乳腺瘤 (灵敏度98.0%,特异性94.1%).
结论:
- DLS可靠地从正常光盘和儿童的其他异常中区分 papilledema.
- 这些发现表明,DLS可以成为评估儿科患者视神经头部外观的有价值的诊断辅助.
