基于深度学习的1型ROP,2型ROP和A-ROP的自动检测

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:

• 早产视网膜病变 (ROP) 是早产婴儿视力损伤的重要原因之一.
• 准确及时诊断ROP对于有效管理和预防视力丧失至关重要.
• 目前的诊断方法依赖于手动解释 fundus 图像,这可能是耗时和主观的.

研究的目的:

• 开发和评估深度学习 (DL) 模型,用于自动检测和分类不同类型的ROP.
• 使用卷积神经网络区分1型ROP,2型ROP和攻击性后部ROP (A-ROP).
• 评估DL模型在从底部图像分类ROP阶段的诊断性能.

主要方法:

• 使用了634张来自317名早产婴儿 (怀孕23至34周) 的 fundus图像的数据集.
• 进行了图像预处理和感兴趣区域 (ROI) 提取.
• RegNetY002模型使用分层10倍交叉验证进行训练.
• 使用准确度,特异性,接收器操作特征 (ROC) 曲线和曲线下的面积 (AUC) 来评估性能.

主要成果:

• 在区分2型ROP与1型ROP和A-ROP方面,DL模型实现了0.98准确度和0.98特异性.
• 在ROI分析中,该模型在第二阶段的ROP与ROP相比显示了0.90的准确性和0.95的特异性. 第三阶段 ROP.
• AUC分数在0.85到0.98之间,这表明不同ROP类别的分类性能强.

结论:

• 基于深度学习的基底图像分析使得ROP的高度准确和特定的分类成为可能.
• 开发的AI算法显示,它有可能帮助眼科医生诊断ROP,从而减少工作量.
• 将AI整合到临床实践中可以支持ROP管理的决策.