一个深度学习系统用于对儿童近视发病的预测和干预措施有效性评估

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 近视的患病率在全球范围内不断上升,这对公众健康造成了重大关注.
• 儿童近视的早期发现和预测对于有效的干预至关重要.
• 视网膜底部图像提供了一个易于使用的近视检查方法.

研究的目的:

• 推出DeepMyopia,一个支持人工智能的决策支持系统,用于儿童近视的检测和预测.
• 通过使用常规视网膜底部图像,为有近视风险的儿童提供有针对性的干预措施.
• 在大规模队列中评估DeepMyopia的性能和有效性.

主要方法:

• DeepMyopia使用了一个深度学习架构,该架构是基于超过160万张视网膜底图像进行训练的.
• 对大型队列进行了内部验证,随后对来自中国七个站点的数据集进行了外部测试.
• 用曲线下的面积 (AUC) 来预测近视发病和风险分层来评估表现.

主要成果:

• 深度近视症在1年,2年和3年的近视发病预测中实现了高AUC (0.908,0.813,0.810在内部;0.796,0.808,0.767在外部).
• 该系统有效地将儿童分为低风险和高风险组 (p < 0.001).
• 在一项模拟试验中,DeepMyopia干预措施显示近视进展显著减少 (-17.8%的ARR) 并改善了质量调整后的寿命年.

结论:

• DeepMyopia是一个强大而高效的基于人工智能的决策支持系统,用于指导儿童近视干预.
• 该系统表现出强大的预测能力和风险分层的有效性.
• 深度近视有可能在公共卫生战略中得到广泛应用,以应对儿童近视的日益流行.