深度学习方法用于检测与年龄相关的黄斑退化症中新生的地理缩

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:

• 在OCT B扫描中新生的地理缩 (nGA) 预测了未来的地理缩 (GA).
• 手动审查OCT B扫描的nGA是耗时和繁的.
• 开发用于nGA检测的自动化方法对于高效的临床工作流程至关重要.

研究的目的:

• 开发和评估一个深度学习模型,用于选OCT B扫描的nGA.
• 评估人工智能模型在保持高检测性能的同时减少手动审查工作负载的能力.
• 确定人工智能辅助方法在管理nGA检测中的潜力.

主要方法:

• 一个深度学习模型被训练在被标记为nGA存在的OCT体积扫描上.
• 该模型旨在识别需要手动审查的OCT B扫描.
• 使用五重交叉验证来评估性能,重点关注灵敏度和需要审查的扫描比例.

主要成果:

• 人工智能辅助的方法在所有访问中检测到nGA的灵敏度为0.97.
• 在nGA发病的访问时,保持了近乎完美的检测 (0.95灵敏度).
• 人工智能模型将需要手动审查的OCT B扫描负载降低到分别为2.7%和1.9%的扫描.

结论:

• 深度学习模型可以有效地选高灵敏度的OCT B扫描对nGA.
• 这种人工智能辅助的方法显著减少了手动审查负担的50倍以上.
• 人工智能工具有望大幅减轻与检测nGA相关的工作量,这是GA的预测器.