相关实验视频
Updated: Jul 5, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
基于图像分析的机器学习用于诊断早产儿视网膜病变:一个元分析和系统审查
Yihang Chu1, Shipeng Hu2, Zilan Li3
1Central South University of Forestry and Technology, Changsha, Hunan, China; State Key Laboratory of Pathogenesis, Prevention and Treatment of High Incidence Diseases in Central Asia, Clinical Medical Research Institute, The First Affiliated Hospital of Xinjiang Medical University, Urumqi, Xinjiang, China.
Ophthalmology. Retina
|January 18, 2024
概括
机器学习 (ML) 在诊断早产视网膜病变 (ROP) 中显示出高准确度,与人类专家相比. 虽然对自动诊断有希望,但ML工具目前最适合作为临床医生的补充辅助工具.
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:
- 早产视网膜病变 (ROP) 是早产婴儿失明的重要原因之一.
- 早期发现和诊断ROP对于有效治疗和预防视力丧失至关重要.
研究的目的:
- 系统地评估机器学习 (ML) 算法对早产视网膜病变 (ROP) 的诊断性能.
- 评估ML作为临床环境中用于ROP检测和分类的自动诊断工具的潜力.
主要方法:
- 对基于图像的ML进行ROP诊断和亚型分类的已发表研究进行系统审查和元分析.
- 在主要数据库 (Web of Science,PubMed,Embase,IEEE Xplore,Cochrane Library) 进行的搜索,截至2022年10月.
- 使用以人工智能为中心的诊断准确度工具和统计分析,包括双变混合效应模型和Deek的测试进行质量评估.
主要成果:
- 包括22项研究,具有不同程度的偏差风险和适用性问题.
- 基于图像的ML显示了ROP的高诊断性能,灵敏度为93%和特异性为95% (AUC=0.98).
- ML还在分类ROP亚型方面表现出高准确度 (灵敏度93%,特异性93%,AUC=0.97),与临床专家相比 (斯皮尔曼R=0.879).
结论:
- 机器学习算法对ROP的诊断准确度不逊于人类专家的诊断准确度.
- 机器学习具有作为ROP诊断和分类的自动化工具的巨大潜力.
- 由于证据的异质性和质量,ML工具目前最好作为辅助工具来帮助临床医生在ROP诊断中使用.
