在视网膜底部图像上使用深度学习对叶低成形的分级

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:

• 叶低成形是叶发育障碍的一个关键指标.
• 准确分类的形低成形对于预测视觉结果至关重要.
• 当前的诊断方法可能是主观的,耗时的.

研究的目的:

• 开发和评估一个深度学习 (DL) 模型,用于对叶低成形进行分级.
• 为了比较DL模型与人类临床医生的表现.
• 评估DL在诊断发育障碍中的有用性.

主要方法:

• 对303名患者605张视网膜底部图像进行了回顾性分析.
• 为二进制 (正常与异常) 和六级分类开发DL模型.
• 模型性能与高级和初级临床医生评估的比较.

主要成果:

• EfficientNet_b1模型在二进制分类中达到84.36%的准确性,在六级分类中达到78.21%的准确性.
• 该模型与初级和高级临床医生相比,表现优越 (P < 0.00001).
• 较高度的叶低成形与较差的视觉结果相关 (P < 0.001).

结论:

• 开发的深度学习模型对于分类叶低成形是高效和准确的.
• 人工智能模型在诊断发育疾病方面超过了临床医生的表现.
• 这凸显了人工智能在使用视网膜底图像的儿科临床评估中的重要性.