基于超广场 fundus 摄影的光学神经炎多式人工智能诊断系统

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 深度学习 (DL) 对眼部疾病有前途,但没有有效的算法用于诊断光学神经omyelitis (NMO).
• 准确和早期诊断NMO对于有效的患者管理至关重要.

研究的目的:

• 为NMO开发一个概念验证多式联运人工智能 (AI) 诊断模型.
• 为了将超广场 fundus 照片 (UWF) 与临床数据进行 NMO 预测.
• 评估AI模型预测NMO发病和阶段的能力.

主要方法:

• 利用了330名NMO患者和1288名非NMO参与者的UWF.
• 将临床检查报告纳入AI模型开发中.
• 使用AUC,灵敏度和特异性评估AI模型性能.

主要成果:

• 多式联络人工智能模型的AUC达到0.9923.
• 证明了高的诊断准确性,最大的尤登指数为0.9389.
• 在预测NMO患病率方面实现了97.0%的灵敏度和96.9%的特异性.

结论:

• 深度学习算法可用于诊断和预测NMO.
• 这种多式人工智能方法显示出在NMO诊断中临床应用的巨大潜力.