对糖尿病视网膜病变的深度学习模型在患有年轻发病糖尿病的患者身上进行验证

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:

• 对糖尿病视网膜病变 (DR) 的深度学习系统 (DLS) 通常在较老的队列中得到验证.
• 患有糖尿病的年轻人可能会呈现独特的解剖学差异,例如视网膜光泽,可能会影响DLS的表现.
• 在年轻的糖尿病人群中对DLS表现的研究有限.

研究的目的:

• 为了评估DLS对DR查18-45岁个体的性能.
• 为了比较年轻的 (18-25岁) 和年长的 (26-45岁) 成人群体之间的DLS表现.
• 调查视网膜光泽对DR和糖尿病黄斑 (DME) DLS准确性的影响.

主要方法:

• 在印度的一家年轻的糖尿病诊所进行的前性横截面队列研究.
• 招募了321名年龄在18-45岁之间的个人 (98.8%的1型糖尿病患者).
• 专家们拍摄了Fundus照片并对其进行了分级;对DR和DME进行了DLS绩效评估,比较了年轻和年长的队列.

主要成果:

• DLS在年轻人 (97.6%) 和老年人 (94.0%) 队列中对中度或更严重的DR表现出高灵敏度.
• 针对DR的特异性在年轻队列中 (97.9%) 与老年队列 (92.1%) 相比显著更高.
• 视网膜光泽,在94%的图像中存在,与DME有关,似乎混了分级,降低了对DME的测量DLS灵敏度.

结论:

• 基于DLS的DR查在年轻成年人中是有效的,与老年人相比,显示出相似的敏感性和更好的特异性.
• 视网膜光泽在年轻人中对准确的DME识别和DLS性能测量提出了挑战.
• 使用光连贯断层扫描的进一步研究可能会提高DLS DME敏感性评估在这个人群中的准确性.