一种深度学习方法来选可参考的与年龄相关的黄斑变性 - 模型开发和外部验证

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:

• 与年龄相关的黄斑变性 (AMD) 是老年人视力丧失的主要原因.
• 早期检测和查对于管理AMD进展至关重要.
• 目前的诊断方法依赖于专家对 fundus 图像的解释.

研究的目的:

• 开发和验证VeriSeeTM AMD,这是一款用于诊断可引用AMD的深度学习软件.
• 与眼科医生评估相比,评估VeriSeeTM AMD的准确性.

主要方法:

• 在50岁以上的患者的6123张彩色 fundus 图像上训练了一个深度学习模型.
• 可推的AMD被定义为中期或高级阶段 (AREDS类别3或4).
• 软件的诊断性能 (AUC,灵敏度,特异性) 在单独的测试和外部验证数据集上进行了评估.

主要成果:

• 在模型开发过程中,VeriSeeTM AMD实现了0.961的AUC.
• 在测试数据集上,VeriSeeTM AMD显示了92.04%的准确性 (90.0%的灵敏度,92.43%的特异性).
• 外部验证给出了92.04%的准确率 (90.03%的灵敏度,96.44%的特异性),超过了眼科医生的平均准确率85.8%.

结论:

• VeriSeeTM AMD在通过色底图像来诊断可引用的AMD方面表现出高灵敏度和特异性.
• 该软件显示出作为中级和高级AMD临床查的辅助工具的潜力.
• 这项技术可以提高AMD查程序的效率和一致性.