自动检测30个 fundus 疾病使用超宽场光素血管学与深专家聚合的自动检测

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 不准确的底部疾病诊断会导致严重的视力丧失和失明.
• 超广场光素血管造影 (UWFFA) 对于检测各种视网膜疾病至关重要.
• 需要一个强大的深度学习平台 (DLP) 才能有效和准确地检测 fundus 疾病.

研究的目的:

• 开发和验证一个深度学习平台 (DLP) 用于使用UWFFA图像自动检测30种 fundus疾病.
• 通过将其与人类专家评估进行比较来评估DLP的诊断性能.
• 使用UWFFA建立一个大型数据集,用于使用UWFFA进行多视网膜疾病分类.

主要方法:

• 一项回顾性和横截面研究利用了来自多个中国中心的3364名受试者的61,609张UWFFA图像 (2016-2021).
• 使用ConvNeXt卷积神经网络架构来训练和测试该系统.
• 在初级和外部测试数据集上使用接收器操作特征 (ROC) 曲线来评估性能,并与视网膜专家进行比较.

主要成果:

• 开发的DLP在初级测试数据集上实现了0.940的ROC曲线下的频率加权平均面积 (AUC),在外部多医院数据集上达到0.954.
• 人工智能系统的诊断准确度与经验丰富的眼科医生,包括两个视网膜专家相美.
• 该平台从UWFFA图像中成功检测到多达30种不同的 fundus 疾病.

结论:

• 本研究介绍了第一个大型UWFFA数据集,用于使用AI进行多视网膜疾病分类.
• UWFFA DLP 在诊断各种视网膜疾病方面显著推进了人工智能 (AI).
• 该平台为节省劳动力的精密医学提供了潜力,特别有利于远程医疗保健访问.