超广场 fundus 摄影和基于人工智能的查和转诊,用于多种眼底疾病
Xinyu Zhao1, Xingwang Gu1, Da Teng2
1Department of Ophthalmology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences, China and Key Lab of Ocular Fundus Diseases, Chinese Academy of Medical Sciences, Beijing 100730, China.
Cell reports. Medicine
|June 11, 2025
概括
深度学习算法可以改善 fundus 疾病的查. 使用超广场图像和跨领域协作学习的WARM模型,在检测25种疾病和建议推方面表现出高精度.
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:
- 综合性 fundus 疾病查是具有挑战性的.
- 深度学习算法 (DLA) 提供了潜在的解决方案.
- 目前的DLA可能无法完全捕捉外周视网膜异常.
研究的目的:
- 开发和评估DLA用于全面的 fundus 疾病查.
- 使用不同的算法 (Swin Transformer,跨领域协作学习[CdCL]) 和成像模式 (超广场[UWF],后极区域[PPR]) 进行性能比较.
- 确定用于大规模 fundus 查的最佳 DLA.
主要方法:
- 开发了三种DLA:WARM (CdCL + UWF),BASE (Swin变压器 + UWF) 和WARM-PPR (CdCL + PPR). 在这个过程中,我们开发了三种DLA:WARM (CdCL + UWF),BASE (Swin变压器 + UWF) 和WARM-PPR (CdCL + PPR).
- 在59,475张UWF图像的大数据集上训练并验证模型.
- 评估性能使用接收器操作特征曲线 (AUC) 下的面积用于选和转介建议的准确性.
主要成果:
- 在内部和外部多中心测试数据集上,WARM模型实现了最高的性能.
- 在查 (0.915内部,0.912外部) 和转诊 (0.911内部,0.902外部) 中,WARM显示出优异的AUC值.
- UWF成像和CdCL显著改善了对外周视网膜异常的检测.
结论:
- 使用UWF图像和CdCL的WARM模型是准确和全面的 fundus 查的一个有希望的工具.
- 这种DLA可以有效地识别25个基金状况,并及时提供推建议.
- 这些发现支持在眼科诊断中大规模实施先进的DLA.
