在基于深度学习的小切口镜片提取手术期间预测不透明的泡层.
Zeyu Zhu1,2, Xiang Zhang3, Qing Wang1
1Ophthalmic Center, The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, China.
Frontiers in cell and developmental biology
|November 14, 2024
概括
深度学习准确地预测了在小切口镜片提取 (SMILE) 手术期间不透明泡层 (OBL) 的形成. 一种新的残留神经网络模型显示了临床使用的高预测能力.
科学领域:
- 眼科医生 眼科 眼科
- 医疗人工智能 医疗人工智能
- 手术技术 手术技术
背景情况:
- 五秒激光小切割镜片提取 (SMILE) 是一种折射手术程序.
- 不透明气泡层 (OBL) 形成是SMILE手术期间的潜在并发症.
- 预测OBL的形成可以改善手术结果和患者的安全.
研究的目的:
- 开发和评估一种深度学习模型,用于预测女性秒激光SMILE手术期间的OBL形成.
- 评估不同深度神经网络架构的预测性能.
主要方法:
- 一个回顾性横截面研究,利用SMILE手术手术视频.
- 基于SENet-ResNet架构的深度神经网络模型的开发.
- 使用分区数据集进行模型训练和验证,通过平均绝对误差,皮尔森相关系数和确定系数评估性能.
主要成果:
- 一个经过修改的深度残留神经网络与道注意力实现了最好的预测性能.
- 该模型与基于Photoshop的测量结果有很强的相关性 (R2=0.676).
- 其他模型,如ResNet和Vgg19,显示了令人满意的结果,而U-net表现不佳.
结论:
- 一个新的深度残留神经网络模型有效地使用手术前角膜图像预测OBL形成.
- 该模型具有显著的预测能力,表明在SMILE手术中具有潜在的临床适用性.
- 这种人工智能驱动的方法可以帮助外科医生在SMILE手术期间预测和管理OBL.
