基于智能手机的眼睛红与干眼疾病相关的自动分级系统的统计评估和临床试验的影响
John D Rodriguez1, Adam Hamm2, Ethan Bensinger1
1Andover Eye Institute, Andover, MA, 01810, USA.
Clinical ophthalmology (Auckland, N.Z.)
|March 18, 2025
概括
本研究介绍了一种自动化的深度学习方法,用于在临床试验中对眼睛红色进行分级. 添加一个"水平度"参数显著提高了准确性,减少了错误,提高了大规模研究的效率.
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:
- 对眼睛疾病的临床试验通常依赖于对图像的主观分级,从而导致变化.
- 需要自动化方法来提高大规模,多地点研究的客观性和效率.
- 深度学习为眼科中精确的图像分析提供了潜力.
研究的目的:
- 开发和评估一个完全自动化的深度学习方法,用于结膜细分和眼睛红色度等级.
- 在临床试验评估中最大限度地减少临床试验之间和临床试验内部的变化.
- 评估一个事件的影响.
- 它们具有水平性.
- 对分级精度和临床试验效率的参数.
主要方法:
- 分析了来自450名受试者的29,640张图像,这些图像来自多个临床试验.
- 使用DeepLabV3架构进行图像分割以提取红色和水平度特征.
- 开发了一种包含两种特征的双变模型来预测眼睛红色,与专家评分师进行验证.
主要成果:
- 与专家评分相比,将红色和水平性结合在一起的模型实现了0.450 (SD=0.334) 的平均绝对误差 (MAE).
- 这种两种模式的表现优于仅使用红色的模型,MAE降低了5-6%.
- 最佳模型预测了93.0%的图像,绝对分级误差小于一个单位.
结论:
- 完全自动化的图像分析使得在临床试验中成千上万的图像能够高效地分级.
- 添加"水平度"参数可以提高模型的性能和对干眼病的相关性.
- 这种自动化方法提供了一个连续尺度,比标准临床尺度对治疗效果的敏感度更高.
