基于深度学习的视网膜断裂和脱落的自动检测在 Fundus 摄影上
Merlin Christ1, Oussama Habra1, Killian Monnin2
1Department of Ophthalmology, Inselspital, Bern University Hospital, Bern, Switzerland.
Translational vision science & technology
|April 2, 2024
概括
一个新的人工智能 (AI) 算法可以在超广场 (UWF) 底部图像中高精度地检测视网膜断裂和脱落. 这种人工智能工具有望改善视网膜疾病的早期诊断和临床管理.
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:
- 周围视网膜断裂和脱落是导致视力丧失的重要原因.
- 早期检测对于及时干预和预防严重视力障碍至关重要.
- 超广场 (UWF) 成像为视网膜提供了更广泛的视图,但解释可能具有挑战性.
研究的目的:
- 开发和评估一种深度学习算法,用于检测UWF光学图像中的视网膜断裂和脱落.
- 评估AI在识别这些外围视网膜病理方面的可行性和准确性.
主要方法:
- 视网膜专家对2489张UWF光图像的数据集进行了注释,将其分为四个类别.
- 数据集分为培训 (80%) 和测试 (20%) 集.
- 一个EfficientNet深度学习模型被训练并验证为分类.
主要成果:
- 人工智能模型在独立测试组中实现了高性能.
- 接收器操作特征曲线 (AUC) 下的面积为病变检测的0.975,视网膜脱落的0.972,视网膜断裂的0.913.
- 该系统在检测视网膜异常方面表现出良好的特异性.
结论:
- 使用UWF图像检测视网膜断裂和脱落的深度学习系统是可行的.
- 人工智能算法显示出作为一种自动化辅助工具的潜力,以帮助临床医生诊断外围视网膜疾病.
- 需要进一步的临床研究来评估其在常规实践中的成本效益.
