3D深度学习分类器的诊断准确性:跨领域和特定设备模型的比较
Akram Belghith1, Christopher Bowd1, Robert N Weinreb1
1Hamilton Glaucoma Center and Division of Ophthalmology Informatics and Data Science, Shiley Eye Institute, The Viterbi Family Department of Ophthalmology, UC San Diego, La Jolla, CA, USA.
Translational vision science & technology
|August 20, 2025
概括
与标准测量相比,三维深度学习 (3D DL) 模型显著提高了青光眼检测的准确性. 一个跨领域的3DDL模型显示了与特定设备模型相比较的性能,这表明在临床实践中具有更广泛的适用性.
科学领域:
- 眼科 眼科
- 人工智能
- 医学成像
背景情况:
- 青光眼的诊断依赖于光学一致性断层扫描 (OCT) 来测量黄斑结节细胞内状层 (GCIPL) 的厚度.
- 深度学习 (DL) 模型可以提高青光眼检测的诊断准确性.
研究的目的:
- 将三维深度学习 (3D DL) 和3D跨域深度学习 (3D CD-DL) 分类器的诊断精度与使用OCT检测的标准GCIPL厚度测量进行比较.
- 评估DL模型在不同OCT设备上的通用性.
主要方法:
- 评估了两个DL分类器:3DDL模型训练在Spectralis OCT数据和3DCDDL模型训练在Cirrus OCT数据的合成Spectralis图像.
- 使用502个初级开角眼睛和119个健康眼睛的数据集进行比较.
- 根据年龄,轴长度和盘面积调整的接收器操作曲线下的面积 (AUROC) 是评估准确性的主要指标.
主要成果:
- 3D DL 分类器的调整AUROC (0.92) 比全球GCIPL厚度 (0.83) 高得多.
- 3D CD-DL模型的准确性与3D DL模型相美 (AUROC 0.91与0.92).
- 在早期的玻璃眼病例中,3D DL和3D CD-DL模型显著优于GCIPL厚度测量.
结论:
- 与传统的GCIPL厚度测量相比,三维DL分类器显示出更高的青光眼诊断准确度.
- 3D CD-DL方法显示了强大的性能,与特定设备的3D DL模型相比,表明了跨设备通用性的潜力.
- 建议对来自不同国外设备的数据进行进一步验证,以确认这些发现.
