基于深度学习的检测,以光学连贯性断层扫描在与年龄相关的黄斑退化中的网状伪
medRxiv : the preprint server for health sciences
|September 24, 2024
概括
一个新的深度学习模型准确地检测网状伪 (RPD),这是与年龄相关的黄斑变性 (AMD) 失明的关键指标. 这种人工智能工具实现了专家级的性能,有助于早期诊断和管理AMD.
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:
- 网状伪 (RPD) 在与年龄相关的黄斑变性 (AMD) 病原和视力丧失中至关重要.
- 准确的RPD检测对于AMD临床管理至关重要,但仍然具有挑战性.
- 目前对RPD的诊断方法可能是主观的,耗时的.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于自动化RPD细分和检测.
- 为了比较DL模型的性能与人类专家协议.
- 为RPD分析提供一个公开可用的工具.
主要方法:
- 一个DL模型在9800个光连贯断层扫描 (OCT) B扫描上受过训练,以分割RPD.
- 模型的性能是使用戴斯相似系数 (DSC) 对四个视网膜专家进行评估的.
- 外部验证是在5个独立数据集 (1,017只眼睛) 上进行的.
主要成果:
- 在DL模型中,与专家达成的协议 (DSC=0·76) 比专家间达成的协议 (DSC=0·68) 更高.
- 在外部数据集上,DL模型展示了专家级检测性能 (AUC为0·94-0·96).
- 该模型的性能与两个视网膜专家在外部测试中的表现相当.
结论:
- 一个DL模型可以自动检测和定量RPD,并以专家级准确度进行测量.
- 这种工具有可能在临床环境中显著改善RPD识别.
- 公共可用的DL模型为AMD研究和患者护理提供了宝贵的资源.


