相关实验视频
Updated: Aug 9, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
基于深度学习的光学连贯性断层扫描和用于检测糖尿病视网膜病变的视网膜图像:系统和元分析
Zheng Bi1, Jinju Li2, Qiongyi Liu2
1Department of Endocrinology, The First Affiliated Hospital of Anhui University of Traditional Chinese Medicine, Hefei, Anhui, China.
Frontiers in endocrinology
|April 2, 2025
概括
深度学习有效地检测糖尿病视网膜病变 (DR) 使用光学连贯断层扫描 (OCT) 和视网膜图像. 这些人工智能工具显示出高准确度,为DR查提供了临床使用的潜力.
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) 是导致视力丧失的主要原因.
- 早期发现和治疗DR对于预防失明至关重要.
- 当前的诊断方法可能耗时,需要专门的专业知识.
研究的目的:
- 系统地审查和元分析深度学习 (DL) 算法的DR检测有效性.
- 评估光学连贯断层扫描 (OCT) 和视网膜图像上的DL性能.
- 确定DL模型在识别DR的诊断准确度.
主要方法:
- 在主要数据库 (PubMed,Embase等) 进行全面的文献搜索. 在2024年7月之前.
- 包括使用DL用于在OCT和视网膜图像上检测DR的研究.
- 来自10项研究的综合灵敏度,特异性和诊断几率比率的元分析.
主要成果:
- 审查了47项研究,其中10项被纳入了元分析 (188,268张图像).
- 对于DR检测的聚合灵敏度为1.88 (95% CI:1.45-2.44).
- 聚合特异性为1.33 (95% CI:0.97-1.84),DL模型表现良好.
结论:
- 深度学习算法在通过OCT和视网膜图像检测糖尿病视网膜病变方面表现出高准确度.
- DL显示作为临床DR查的可靠工具的承诺.
- 未来的研究应该涉及数据集标准化,模型解释性和多样化人口验证.
