基于深度学习的急性角度闭合的自动区分,使用超声波生物显微镜或不使用区域病变:与眼科医生的诊断性能比较

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:

• 有或没有区域病变的急性角关闭 (AAC) 需要精确的手术前分化.
• 超声波生物显微镜 (UBM) 是用于眼部评估的关键成像方式.
• 开发高效的诊断工具对于及时的临床干预至关重要.

研究的目的:

• 开发和评估人工智能模型,用于使用UBM进行手术前分化AAC带有或没有区域病变的AI模型.
• 将AI模型的诊断性能与眼科医生的诊断性能进行比较.
• 评估综合诊断性能,同时考虑准确性和效率.

主要方法:

• 使用UBM图像和眼部参数开发了三种AI模型,以区分AAC带有或没有带状松或镜片脱落.
• 最好的AI模型与眼科医生的诊断方法 (逻辑回归,UBM图像分析) 进行了比较.
• 一个验证数据集,包括UBM和前段光学连贯性断层扫描 (AS-OCT) 图像,用于测试AI模型的稳定性.

主要成果:

• 最好的AI模型实现了0.9046的曲线下的宏积 (AUC),每个图像的处理时间为0.03秒.
• 眼科医生的逻辑回归模型实现了0.9373的宏AUC,但每次分析需要1200秒.
• 人工智能模型在验证数据集上表现出强的性能,UBM的准确性为66.67%,AS-OCT图像的准确性为61.11%.

结论:

• 人工智能模型和眼科医生可以有效地区分AAC带有或没有区域病变.
• 人工智能模型表现出卓越的综合诊断性能,平衡准确性和效率.
• 开发的AI模型显示了AAC的手术前诊断的高临床适用性.