相关实验视频
Updated: May 5, 2026

09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
在苏格兰查计划中,使用视网膜图像的深度学习预测视网膜病变的进展
Joseph Mellor1, Wenhua Jiang2, Alan Fleming3
1Usher Institute, The University of Edinburgh, Edinburgh, UK joe.mellor@ed.ac.uk.
The British journal of ophthalmology
|February 5, 2024
概括
与目前的分级相比,对视网膜图像应用的深度学习 (DL) 显著改善了可引用糖尿病视网膜病变 (DR) 的预测. 这一进步可以优化查间隔,减少患者等待DR的时间.
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:
- 糖尿病视网膜病变 (DR) 查间隔通常通过分级视网膜图像来确定.
- 预测DR进展超出当前分级可以提高选效率.
研究的目的:
- 评估深度学习 (DL) 来从视网膜图像中预测可引用的DR进展.
- 在苏格兰DR查计划中评估DL对查间隔分配的影响.
主要方法:
- 利用了21,346名1型糖尿病患者 (T1DM) 和247,233名2型糖尿病患者 (T2DM) 的 fundus 图像.
- 使用DL模型预测可参考的DR状态在选间隔结束时.
- 将DL的预测值与现有的DR分级方法进行了比较.
主要成果:
- 与当前的DR等级相比,DL预测器使ROC曲线下的面积从T1DM的0.809到0.87以及T2DM的0.825到0.87提高.
- 一项DL衍生政策将预期停留时间 (可参考DR的重新查时间) 减少了T1DM的3.4周,T2DM的2.7周.
结论:
- 对 fundus 图像的深度学习分析显著提高了对事件可参考视网膜病变的预测.
- DL可以通过减少检测可转移疾病的时间来积极影响DR查召回政策.
- DL提供了优化查工作负载的潜力,以固定患者逗留时间.
关键词:
流行病学 流行病学
