相关实验视频
Updated: Jul 1, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
使用预细分深度学习分类模型对糖尿病视网膜病变的分级:自动化算法的验证
Dyllan Edson Similié1, Jakob K H Andersen2,3, Sebastian Dinesen1
1Department of Ophthalmology, Odense University Hospital, Odense, Denmark.
Acta ophthalmologica
|October 19, 2024
概括
糖尿病视网膜病变 (DR) 评级的自主深度学习算法在现实人口中显示出高负预测值 (NPV) 92%. 这表明其潜在的临床可行性用于自主识别没有DR的患者.
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:
- 糖尿病视网膜病变 (DR) 是导致视力丧失的主要原因.
- 准确和高效的DR分类对于及时干预至关重要.
- 深度学习 (DL) 算法为自动化医疗图像分析提供了潜力.
研究的目的:
- 为了验证自主深度学习 (DL) 算法的性能,用于糖尿病视网膜病变 (DR) 的分级.
- 将DL算法的性能与人类评分器和黄金标准进行比较.
- 评估自主DR分类的临床可行性.
主要方法:
- 500张视网膜图像由专家眼科医生 (黄金标准) 使用国际临床糖尿病视网膜病变严重程度尺度 (DR水平0-4) 进行分级.
- 使用权重卡帕测量了对人类评分器 (有/没有DL辅助) 和自主DL算法的一致性.
- 计算了灵敏度,特异性,正预测值 (PPV) 和负预测值 (NPV),并分析了差异.
主要成果:
- 与黄金标准相比,自主DL算法实现了0.72的加权kappa,78%的灵敏度和81%的特异性.
- 通过推断到现实世界DR流行率为23.8%,PPV为57%,NPV为92%.
- 差异包括文物检测,错过的微动脉瘤和细分/分类不一致.
结论:
- 对于高风险人群,自主DL算法的性能在某些方面与人类评分器相当.
- 在现实人口中高的NPV (92%) 表明非DR患者自主识别的临床可行性.
- 进一步细化可能会提高DR分类的准确性.
