相关实验视频
Updated: Jun 28, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
深度学习算法用于及时诊断早产需要治疗的视网膜病变
Nasser Shoeibi1, Nafise Ameri2, Mohammad Reza Hoseinkhani3
1Eye Research Center, Mashhad University of Medical Sciences, Mashhad, Iran.
Eye (London, England)
|November 3, 2025
概括
深度学习 (DL) 算法在诊断早产儿视网膜病变 (ROP) 中表现有前途. 采用CLAHE预处理的MobileNet在远程医疗查中实现了高精度和灵敏度的ROP检测.
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:
- 早产视网膜病变 (ROP) 是早产婴儿视力受损的主要原因.
- 早期诊断和治疗对于预防严重的视觉结果至关重要.
- 远程医疗系统为偏远或服务不足的地区的ROP查提供了潜在的解决方案.
研究的目的:
- 评估深度学习 (DL) 算法的有效性,以诊断需要治疗的早产视网膜病变 (ROP).
- 评估各种卷积神经网络 (CNN) 模型的性能,使用来自远程医疗咨询系统的 fundus 图像.
主要方法:
- 一项回顾性横截面研究分析了来自141名早产婴儿的1700张RetCam fundus图像.
- 图像预处理技术包括对比限度自适应组图平衡 (CLAHE) 和自动化多尺度视网膜 (AMSR).
- 评估了CNN模型:移动网络,ResNet-18,ResNet-50和DenseNet-121,使用精度,灵敏度,特异性和F1分数.
主要成果:
- 采用CLAHE预处理的MobileNet实现了ROP检测的最高准确度 (91.39%) 和灵敏度 (94.90%).
- 使用CLAHE的DenseNet-121显示出高灵敏度 (94.26%) 和精度 (90.98%).
- 使用AMSR的ResNet-50表现出强的性能,准确度为90.58%,灵敏度为91.44%.
结论:
- 深度学习模型,特别是CLAHE的MobileNet,对于诊断需要治疗的ROP是有效的.
- 这些发现支持人工智能辅助的ROP查在远程医疗环境中的可行性.
- 建议在不同的临床环境中进行进一步验证,以确认现实世界的适用性.
