RobOCTNet:机器人技术和深度学习用于在急诊室中可推的后部段病理检测人口
Ailin Song1,2, Jay B Lusk1, Kyung-Min Roh2
1Duke University School of Medicine, Durham, NC, USA.
Translational vision science & technology
|March 15, 2024
概括
带有深度学习模型的机器人对齐光学连贯性断层扫描 (RAOCT) 系统准确地检测急诊患者的后部眼部状况. 这项技术有望改善眼科推.
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:
- 紧急服务部门经常管理患有后部眼部疾病的患者.
- 准确和及时的诊断对于适当的眼科转诊和患者管理至关重要.
- 当前的诊断方法在高通量紧急情况下可能面临局限性.
研究的目的:
- 为了评估机器人对齐的光学连贯性断层扫描 (RAOCT) 系统的诊断性能.
- 通过使用OCT图像来评估深度学习模型 (RobOCTNet) 在检测可引用的后部段病理方面的有效性.
- 为了确定系统在急诊室患者群体中的实用性.
主要方法:
- 一个深度学习模型,RobOCTNet,被训练和内部验证,用于对OCT图像进行分类.
- 外部验证涉及对急诊室患者进行RAOCT的成像.
- 模型的性能与临床诊断和专家视网膜专家的审查进行了基准测试.
主要成果:
- 在内部,RobOCTNet实现了1.00的曲线下的面积 (AUC) 来检测可引用的病理.
- 从外部来看,该系统的AUC为0.91,具有95%的灵敏度和76%的特异性.
- 深度学习模型的诊断性能与人类专家的诊断性能相当.
结论:
- RAOCT和深度学习模型的结合显示出后部段病理的高诊断准确性.
- 这种综合系统有可能提高在急诊室的眼科转诊的分拣过程.
