RETFound加强了基于社区的 fundus 疾病查:现实世界的证据和决策曲线分析
Juzhao Zhang1,2,3,4, Senlin Lin1,2,3, Tianhao Cheng5
1Shanghai Eye Disease Prevention & Treatment Center/ Shanghai Eye Hospital, School of Medicine, Tongji University, Shanghai, China.
NPJ digital medicine
|May 1, 2024
概括
使用RETFound的增强人工智能 (AI) 模型改善了眼睛疾病查的深度学习,在社区环境中提高了超过15%的准确性. 这种人工智能的进步为全球眼睛健康带来了更大的净益,特别是在资源较低的地区.
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:
- 视力障碍和失明对全球公共卫生构成重大挑战.
- 由于图像质量差,社区的眼病查面临限制.
- 人工智能 (AI) 提供了改善眼睛疾病检测的潜力.
研究的目的:
- 开发和评估RETFound增强的深度学习 (DL) 模型,用于使用现实世界的社区查图像进行多眼病查.
- 将增强DL模型的性能与商业AI模型和传统AI方法进行比较.
- 评估模型在不同环境中的临床实用性和净效益.
主要方法:
- 开发一个包含RETFound眼科基础模型的DL模型.
- 从社区查中使用现实世界的视网膜图像进行培训和验证.
- 使用灵敏度,特异性和概括能力指标进行绩效评估.
- 决策曲线分析以确定临床净益.
主要成果:
- 与商业模型相比,RETFound增强的DL模型在灵敏度和特异性方面显示了超过15%的改进.
- 与通过传统方法开发的AI模型相比,该模型表现出优越的概括能力.
- 决策曲线分析表明,在中国的城市和农村环境中,增强型号的净收益更高.
结论:
- 通过RETFound增强的DL模型显著提高了社区环境中的多眼病查准确度.
- 这种人工智能模型提供了更高的净收益,使其适合在低收入和中等收入国家采用.
- 这些发现支持使用先进的人工智能模型来解决全球眼睛健康差异.
