使用人工智能对 fundus 图像进行光学杯和光盘细分,并通过光学一致性断层测量进行外部验证
Scott Kinder1, Steve McNamara1, Christopher Clark1
1Department of Ophthalmology, University of Colorado Anschutz Medical Campus, Aurora, CO, USA.
Translational vision science & technology
|June 24, 2025
概括
一个人工智能 (AI) 管道准确地测量视神经头部 (ONH) 的特征,如垂直杯与磁盘比 (VCDR) 从 fundus 图像,显示高可重复性和与专家评估相匹配的性能.
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:
- 精确的视神经头部 (ONH) 测量,例如垂直杯与盘的比率 (VCDR),对于诊断和监测青光眼至关重要.
- 传统方法依赖于手动评估或专门的成像,这可能是耗时和资源密集的.
研究的目的:
- 开发和验证人工智能 (AI) 管道,用于在 fundus 图像中分割光杯和光盘.
- 使用AI管道获得ONH测量,特别是VCDR.
- 为了对AI管道的性能与光学连贯性断层扫描 (OCT) 测量进行外部验证.
主要方法:
- 使用了来自4,289名患者的27,252张 fundus图像的回顾性数据集.
- 人工智能管道在九个公共格洛科马数据集上接受了培训,并在私人和公共数据集上进行了验证.
- 通过将AI衍生的VCDR与OCT测量和电子健康记录 (EHR) 评估进行比较来评估性能.
主要成果:
- 人工智能管道与OCT测量有很强的相关性,达到0.66.6的一致性相关系数 (CCC).
- 人工智能VCDR预测显示,与OCT相比,平均绝对误差 (MAE) 为0.097.
- 人工智能管道表现出高重复性,在同一天的图像上变化系数 (CV) 为2.79%.
结论:
- 开发的AI管道从 fundus 图像提供可靠的 ONH 测量,与专家 EHR 评估相提并论.
- 人工智能系统显示出强烈的相关性和可重复性,这表明它有可能用于临床应用.
- 增强的训练数据多样性提高了AI的性能和对新患者队伍的概括性.
