相关实验视频
Updated: Jul 15, 2026
09:11
Retinal Pathophysiological Evaluation in a Rat Model
Published on: May 6, 2022
4.5K
通过深度学习网络模型对糖尿病视网膜病变的查和评估:一项前性研究
Li Yao1, Chan-Yuan Cao2, Guo-Xiao Yu2
1Department of Ophthalmology, First People's Hospital of Linping District, Hangzhou 311100, Zhejiang Province, China. 13858108135@163.com.
World journal of diabetes
|December 16, 2024
概括
一个深度学习模型在一般和糖尿病人群中有效选糖尿病视网膜病变 (DR),显示出高精度. 这种人工智能工具显示出作为早期DR检测和预防视力丧失的辅助方法的希望.
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) 是糖尿病的一个主要并发症,需要及早检测以防止视力受损.
- 深度学习模型,特别是那些具有注意力机制的模型,在医疗图像分析中为DR查提供了更高的准确性和效率.
研究的目的:
- 评估基于注意力机制的深度学习模型对DR查的有效性.
- 评估模型在自然和糖尿病人群中的表现,以及单边与双边基底摄影.
主要方法:
- 采用分层多阶段集群采样方法,招募了474名参与者 (年龄在18-70岁).
- 使用深度学习系统分析了948张 fundus 图像,结果与早期治疗糖尿病视网膜病变研究 (ETDRS) 评分系统进行了比较.
- 用接收器操作特征 (ROC) 曲线来确定曲线下的面积 (AUC),灵敏度和特异性,用于选需要转诊的DR (ETDRS > 31).
主要成果:
- 在自然人群中,深度学习模型的AUC为0.941,具有98.15%的灵敏度和90.08%的DR推特异性.
- 双边 fundus 摄影产生了 100% 的灵敏度和 86.91% 的特异性.
- 在糖尿病人群中,单侧 fundus 摄影实现了 0.901 的 AUC,灵敏度为 98.08%,特异性为 82.10%.
结论:
- 深度学习模型系统显示了DR查的高灵敏度和特异性.
- 它可以作为一种有价值的辅助工具,用于一般和糖尿病人群的DR查.
