深度学习和临床医生的表现的比较,用于在安全网人口中从 Fundus 照片中检测可推的玻璃眼

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:

• 玻璃眼是全球不可逆转的失明的主要原因.
• 早期发现可转移性玻璃眼对于及时干预和维护视力至关重要.
• 目前的查方法依赖于人类的解释,这可能是主观和可变的.

研究的目的:

• 开发和验证深度学习 (DL) 算法,用于检测可转移的玻璃眼.
• 为了评估DL算法的性能与人类分级器对比.

主要方法:

• 一项回顾性队列研究,涉及洛杉矶县卫生服务部门的6116名患者.
• 一个DL算法 (视觉几何组-19架构) 被训练在底部照片与标签可参考的青光眼 (杯对盘比≥0.6).
• 算法性能使用接收器操作曲线下的面积 (AUROC),灵敏度和特异性进行了评估,并与13名临床医生分级器和专家小组进行了比较.

主要成果:

• 该DL算法实现了0.92的AUROC (LAC DHS光学家标签) 和0.93 (专家小组标签).
• 算法性能与所有独立的临床医生评分器的性能相匹配或超过.
• 临床医生评级器的灵敏度和特异性差异很大,与经验无关.

结论:

• 开发的DL算法在检测可转移的玻璃眼中表现出高准确度.
• 算法的性能与人类专家相当或优于人类专家,提供更一致的结果.
• 在查工作流程中实施可以提高资源配置,提高青光眼护理的及时性和可重复性.