相关实验视频
Updated: May 9, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
在社区糖尿病眼部查计划中,使用手持式视网膜成像进行综合人工智能分级的准确性
Recivall P Salongcay1,2,3, Lizzie Anne C Aquino2, Glenn P Alog2,3
1Centre for Public Health, Queen's University Belfast, Belfast, United Kingdom.
Ophthalmology science
|February 6, 2024
概括
护理点人工智能 (AI) 在识别可转移的糖尿病视网膜病变 (DR) 中表现良好,符合FDA的门. 虽然AI集成不能达到危及视力DR的门,但可以加快患者转诊速度,减少工作量.
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) 和糖尿病黄斑 (DME) 是糖尿病患者视力丧失的主要原因.
- 早期检测和管理对于预防危及视力的并发症至关重要.
- 目前的查方法通常依赖于中央阅读中心 (RCs),这可能导致诊断和治疗的延迟.
研究的目的:
- 用手持视网膜图像来评估点照顾 (POC) 人工智能 (AI) 在识别糖尿病视网膜病变 (DR) 和糖尿病黄斑 (DME) 的性能.
- 将POC AI评估与RCs的传统视网膜图像分级进行比较.
主要方法:
- 这是一项前性比较研究,涉及2,793名糖尿病成年患者的5585只眼睛.
- 手持视网膜图像被POC AI评估,并与5场RC评估进行比较.
- 计算了可参考DR (refDR) 和视力威胁DR (vtDR) 的灵敏度和特异性.
主要成果:
- 在refDR (κ=0.66) 和vtDR (κ=0.54) 中,AI和RC之间发现了实质性的协议,以及适度的协议.
- 对于refDR,POC AI实现了0.86的灵敏度和0.86的特异性,达到FDA的值.
- 对于vtDR,POC AI的灵敏度为0.92和特异性为0.80,不符合FDA的值.
- 图像不可分类率为RC的7.5%,AI的15.4%.
结论:
- POC AI展示了识别refDR的能力,符合FDA标准,可能提高查效率.
- 虽然没有达到vtDR的门值,但POC AI集成可以减少RC负担并加快患者护理.
- 实施POC AI可能会导致更快的信息传递和更快速的眼睛护理转诊糖尿病患者.
