从广场光学显微镜成像检测Fuchs内皮质变质的深度学习:一个试点研究
Valencia Hui Xian Foo1,2, Gilbert Y S Lim2, Yu-Chi Liu1,2,3
1Singapore National Eye Centre, 11 Third Hospital Avenue, Singapore, 168751, Singapore.
Eye and vision (London, England)
|March 18, 2024
概括
这项研究开发了一种深度学习 (DL) 算法,以使用镜像显微镜 (SM) 图像准确检测Fuchs内皮角膜缩症 (FECD). 该DL模型还可靠地识别具有高内皮细胞密度 (ECD) 的外围SM图像,有助于FECD患者管理.
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:
- 福克斯内皮角膜损伤 (FECD) 诊断依赖于光谱显微镜 (SM).
- 准确检测和监测FECD对于患者管理至关重要.
- 评估内皮细胞密度 (ECD) 在FECD评估中至关重要.
研究的目的:
- 评估使用SM检测FECD的深度学习 (DL) 算法的诊断性能.
- 在FECD患者中开发一个DL模型,用于识别具有高内皮细胞密度 (ECD) 的广场外围SM图像.
主要方法:
- 在775张中央SM图像 (FECD与其他诊断) 上训练了一个DL模型,使用ECD,CV和HEX,在180张图像上进行外部验证.
- 在753张中央/准中心SM图像上训练了第二个DL模型,以检测ECD>1000细胞/mm2的外围SM,在557张图像上进行了测试.
- 使用曲线下的面积 (AUC),灵敏度和特异性评估诊断性能.
主要成果:
- 第一个DL模型实现了FECD检测的AUC为0.96 (0.91灵敏度,0.91特异性);外部验证得出AUC为0.77 (0.69灵敏度,0.68特异性).
- 第二个DL模型的AUC为0.88 (0.79灵敏度,0.78特异性),用于检测外围SM图像,ECD>1000细胞/mm2.
结论:
- 开发了一个DL模型,能够从SM图像中可靠地检测FECD.
- DL模型可以在FECD眼中识别具有高ECD的广场外围SM图像.
- 这项技术可能成为未来DL模型的基础,用于跟踪FECD进展并识别治疗候选人.
