光学家在评估小色素胆道损伤方面的挑战:来自MelAInoma深度学习算法的潜在支持.
Shiva Sabazade1,2, Marco A Lumia Michalski1,2, Sara Wittskog3
1Ocular Oncology Service, St. Erik Eye Hospital, Stockholm, Sweden.
Translational vision science & technology
|June 23, 2025
概括
MelAInoma算法显著提高了光学家和眼科医生的诊断准确度,在识别胆管黑色素瘤方面,减少了不必要的转诊,并提高了早期检测. 这种人工智能工具为社区眼科专业人员提供了实际支持.
科学领域:
- 眼科医生 眼科 眼科
- 医疗保健中的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 小色素胆道病变需要准确区分良性瘤和恶性黑色素瘤.
- 光学家和眼科医生在社区环境中对这些病变的初始分拣中发挥着至关重要的作用.
- 目前的诊断方法,如MOLES系统,在具体性上有局限性.
研究的目的:
- 评估瑞典光学家/眼科医生的诊断准确度,以对小色素胆道病变进行分类.
- 为了确定MelAInoma深度学习算法是否提高了这些病变的转诊决策.
主要方法:
- 29名从业者使用MOLES系统评估了25张 fundus照片 (5张黑色素瘤,20张瘤).
- 然后,医生们在MelaInoma算法的帮助下重新评估了这些图像.
- 诊断统计数据 (灵敏度,特异性,PPV,NPV,准确性) 计算了这两种方法.
主要成果:
- MOLES系统显示高灵敏度但低特异性 (例如,MOLES ≥1:98%的灵敏度,17%的特异性).
- MelAInoma 获得了80%的灵敏度和90%的特异性,总准确率为88%.
- 算法指导将正确的黑色素瘤转诊量增加了四倍,虚假阳性转诊量减少了十倍.
结论:
- 光学家/眼科医生在检测阴道黑色素瘤方面表现出高灵敏度但有限的特异性.
- MelAInoma算法显著提高了特异性,并减少了不必要的转介.
- 像MelaInoma这样的人工智能驱动的工具可以简化转诊,并促进早期的膜膜黑色素瘤治疗.
