视网膜脱落的深度学习检测:光学连贯性断层扫描分期和黄斑脱落持续时间的估计

科学领域:

• 眼科 眼科
• 医学成像
• 人工智能

背景情况:

• 视网膜脱落 (RRD) 是一种严重的疾病,需要及时诊断和治疗.
• 精确的分期和RRD持续时间估计对于手术规划和视觉预测结果至关重要.
• 光学连贯断层扫描 (OCT) 提供了视网膜的详细横截图,有助于RRD评估.

研究的目的:

• 评估深度学习模型在检测和分期RRD中的有效性.
• 评估2D和3D OCT扫描用于使用人工智能进行RRD分类的能力.
• 探索深度学习在估计RRD持续时间方面的潜力,并将其与临床数据相关联.

主要方法:

• 一项使用基于深度学习的2D和3DOCT扫描图像分类的回顾性研究.
• 分析包括252个RRD眼睛和770个成年患者的对照眼睛.
• 使用曲线下面面积 (AUC) 和精确回忆 AUC (PR AUC) 测量性能,阶段和持续时间估计.

主要成果:

• 深度学习模型在分类RRD方面表现出很高的表现,AUC达到0.98以区分斑点脱离病例与非RRD病例.
• 一个3D的OCT模型有效地分类了斑点消失的持续时间 (<3天),AUC为0. 97.
• 一个2D模型在RRD第4阶段的分类中取得了强的表现 (AUC=0.94).

结论:

• 机器学习模型显示了从OCT成像分类RRD阶段,斑点状态和持续时间的巨大潜力.
• 这些由人工智能驱动的方法可能会增强RRD管理中的临床决策.
• 在海外国家和地区分析中的深度学习应用可以支持手术规划,并改善RRD患者的结果.