一个基于深度学习的图像分析模型,用于自动评分水平眼动障碍
Xiao-Lu Jin1, Yu-Fei Liu1, Bing-Bing He1
1Ocular Motility Disorder Treatment and Rehabilitation Center, Department of Acupuncture, Harbin Medical University, Harbin, Heilongjiang Province, China.
Frontiers in neurology
|July 17, 2025
概括
一种新的深度学习方法,RetinaEye,准确地得分水平眼部运动障碍. 这种自动化方法与手动评分具有很高的一致性,为改善诊断和治疗选择提供了潜力.
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:
- 水平眼动障碍会影响患者的生活质量.
- 传统的手动评分方法可能是主观的,耗时的.
研究的目的:
- 开发和评估基于深度学习的图像分析方法,用于对水平眼部运动障碍的自动评分.
- 将自动化方法的性能与传统的手动评分进行比较.
主要方法:
- 一个深度学习模型RetinaEye被训练在2565个眼睛图像上.
- 使用了184个双筒望远镜视线图像的测试组,这些图像来自视线水平运动有限的患者.
- 使用ImageJ (手动) 和RetinaEye (自动) 进行评分,并评估一致性.
主要成果:
- RetinaEye准确地识别了眼睛的关键地标,如瞳孔和口腔.
- 自动评分显示高一致性 (κ=0.860) 和相关性 (ρ=0.897) 与手动评分.
- 该模型在识别横向斜率方面表现出了特别的准确性.
结论:
- RetinaEye的自动评分方法与手动评分非常一致.
- 这种客观方法在诊断和选择治疗水平眼部运动障碍方面具有显著的潜力.
