在与年龄相关的黄斑退化症中基于深度学习检测网状伪

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 网状伪 (RPD) 是一个重要的表型,与与年龄相关的黄斑变性 (AMD) 相关的视力丧失有关.
• 准确检测RPD对于理解和管理AMD进展至关重要.
• 当前的诊断方法可能会从先进的计算方法中受益.

研究的目的:

• 开发和验证用于自动检测RPD的深度学习 (DL) 模型.
• 评估DL模型的性能与使用光学连贯性断层扫描 (OCT) 扫描的人类分级专家对比.
• 提供一个工具,可以支持AMD的临床决策.

主要方法:

• 在多中心试验中的9800个OCTB扫描中手动细分RPD.
• 开发用于RPD实例分割的DL模型.
• 外部验证DL模型在多个数据集的OCT体积上的性能,将其与视网膜专家进行比较.

主要成果:

• 在内部数据集中,DL模型显示出优越的协议 (子相似系数 [DSC] = 0.76) 与专家间协议 (DSC = 0.68) 相比.
• 在外部数据集中,DL模型在检测RPD (ROC曲线下面的面积[AUC]=0.94-0.96) 方面实现了与视网膜专家相比的性能.
• 在各种外部测试数据集中,模型的性能是稳定的.

结论:

• 已开发了一个DL模型用于自动检测RPD,具有专家级别的性能.
• 这种人工智能工具显示出临床应用的潜力,以支持AMD的管理.
• 公开可用的模型鼓励进一步研究AMD中的RPD表型.