深度学习辅助眼分析系统与干眼患者的Lipiview干扰仪的比较:一个横截面研究

科学领域:

• 眼科医生 眼科 眼科
• 医疗技术 医疗技术 医学技术
• 医疗保健中的人工智能

背景情况:

• 异常眼模式与眼睛表面疾病,如干眼病 (DED) 有关.
• 分析快速眼运动的眼异常是具有挑战性的.
• 深度学习机器 (DLM) 提供了眼分析的潜力,但需要临床验证.

研究的目的:

• 为了比较一个DLM辅助的Keratograph 5M (K5M) 系统与当前的Lipiview设备进行眼分析.
• 评估来自DLM辅助K5M的闪参数在诊断DED的临床实用性.

主要方法:

• 一项横截面研究包括35名DED患者和35名健康对照.
• 使用K5M和Lipiview记录了闪参数 (闪数,不完整的闪 (IB),IB率).
• 来自DLM分析的K5M视频和Lipiview结果的数据进行了比较,以获得一致性和一致性.
• 评估了闪参数与DED症状/征兆之间的关联.

主要成果:

• 通过DLM辅助的K5M显示了DED和正常受试者之间闪参数的显著差异.
• 与Lipiview相比,DLM辅助的K5M在重复测量中显示出更好的一致性.
• 通过使用DLM辅助的K5M.发现了更多的闪参数和DED指标之间的相关性.
• 来自K5M的不完全闪的数量在接收器操作特征分析中实现了0.773的曲线下的面积.

结论:

• DLM辅助的K5M是分析闪视频和识别异常模式的宝贵工具.
• 这种方法在区分DED患者和健康个体方面表现出特别高的有效性.
• 建议进行进一步的大规模研究,以确认其临床适用性.