深度学习的临床实用性 帮助检测彩色视网膜底部的各种异常发现 图像:读者研究研究

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:

• 视网膜底部摄影对于诊断各种眼睛疾病至关重要.
• 在解释这些图像时,读者之间的变化可能会影响诊断的准确性.
• 深度学习 (DL) 在协助医疗图像分析方面显示出前景.

研究的目的:

• 评估基于DL的多重视网膜异常检测工具的临床实用性.
• 评估DL辅助对不同专业水平的读者的影响.

主要方法:

• 14名眼科医生 (住院医生和专家) 审查了399张眼底图像.
• 图像在两个单独的会议中,在DL算法辅助和不辅助的情况下进行了评估.
• 关键指标包括灵敏度,特异性和每个图像的阅读时间.

主要成果:

• 算法辅助显著提高了所有12个发现的灵敏度 (P < 0.05).
• 在所有发现中,DL减少了读者之间的敏感度差异.
• 阅读时间减少,特别是对于居民和不那么复杂的图像,估计居民的阅读时间减少了25.9%.

结论:

• 基于深度学习的计算机辅助检测设备提高了诊断灵敏度,减少了阅读时间.
• 这些工具最大限度地减少了读者之间的变化,从而导致更一致的解释.
• 对于在视网膜图像分析方面经验较少的临床医生来说,DL辅助特别有益.