基于深度学习的算法用于在光谱域光学连贯性断层扫描中检测异常全厚黄斑孔

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:

• 谱域光学连贯性断层扫描 (SD-OCT) 的自动检测功能通过识别病理来帮助视网膜诊所的工作流程.
• 异形全厚黄斑孔 (IFTMH) 诊断和分期对于患者管理至关重要.

研究的目的:

• 评估深度学习 (DL) 算法的识别IFTMH特性在SD-OCT B扫描中的能力.
• 评估算法在分类IFTMH严重程度阶段的性能.

主要方法:

• 一项涉及IFTMH或后部玻璃体脱落 (PVD) 的受试者的横截面研究.
• 获得并审查了SD-OCT扫描;由训练有素的评分员和视网膜专家建立了基本真相.
• 确定了DL算法的灵敏度,特异性和准确性;斯皮尔曼的相关性评估了与IFTMH严重程度阶段的关联.

主要成果:

• 在识别IFTMH特征方面,DL算法实现了高精度:88.5% (测试组1) 和91.4% (测试组2).
• 总共分析了76,928个SD-OCT B扫描.
• 在算法的概率得分和IFTMH严重程度阶段之间发现了较低的斯皮尔曼相关系数 (0.15).

结论:

• 在SD-OCT B扫描中,DL算法准确地检测到IFTMH特征.
• 该算法的与IFTMH严重程度阶段的相关性很低,表明需要进一步改进.
• DL算法显示出作为IFTMH识别临床决策支持工具的潜力.