使用人工智能检测眼睛表面状新生病与前段光学连贯断层扫描
Jason A Greenfield1, Rafael Scherer1, Diego Alba1
1From the Bascom Palmer Eye Institute (J.A.G., R.S., D.A., S.D.A., O.A., S.P., D.R.C., W.H., M.A., A.J., H.A.K., W.W., M.A.S., R.O., A.G., F.A.M., C.L.K.), University of Miami Miller School of Medicine, Miami, Florida, USA.
American journal of ophthalmology
|February 21, 2025
概括
深度学习模型使用AS-OCT成像准确地区分眼表面状瘤 (OSSN) 和和角膜,显示出临床决策的前景.
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:
- 眼表面状瘤 (OSSN) 需要准确地区分从良性疾病,如和pinguecula.
- 前段光学连贯断层扫描 (AS-OCT) 提供眼睛表面的高分辨率成像.
研究的目的:
- 使用AS-OCT开发和验证一个深度学习 (DL) 模型,以区分OSSN与pterygium和pinguecula.
- 与专家临床医生相比,评估DL模型的诊断性能.
主要方法:
- 使用AS-OCT图像进行了追溯诊断准确性研究.
- 使用面具自编码器和视觉转换器方法开发了一个DL分类模型.
- 对DL模型的性能进行了评估,对比了活检证明的诊断和专家临床医生的评估.
主要成果:
- DL模型实现了90.3%的准确性,具有86.4%的灵敏度和93.2%的OSSN检测特异性.
- 与专家临床医生 (0.688) 相比,DL模型显示ROC曲线下的面积显著更高 (0.945).
- 专家临床医生比DL模型具有较低的灵敏度 (69.8%),但具有较高的特异性 (98.5%).
结论:
- 在AS-OCT扫描中,DL模型准确地区分了OSSN与pterygium和pinguecula.
- 人工智能模型显示,它有可能帮助临床决策在诊断OSSN.
- 需要进一步的研究来将这种AI方法整合到常规诊断协议中.
