一个全面的审查,比较人工智能和临床诊断方法干眼疾病

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 干眼病 (DED) 影响着相当一部分人口,需要准确和高效的诊断方法.
• 目前对DED的临床评估可能是主观的,耗时的.
• 人工智能 (AI) 的整合为客观和自动化的DED诊断提供了潜在的进步.

研究的目的:

• 系统地审查和综合研究,将基于AI的诊断模型与DED的传统临床测试进行比较.
• 评估人工智能模型在眼科中使用的各种成像模式中的性能.
• 确定局限性,并为未来的DED诊断人工智能研究提出建议.

主要方法:

• 在四个主要数据库 (Google Scholar,PubMed,ScienceDirect,Cochrane Library) 进行系统的文献搜索,遵循PRISMA指南.
• 包括2020年至2025年间发表的30篇同行评审文章,重点关注DED诊断中的AI.
• 基于人工智能模型的研究分析,成像模式,诊断性能和报告的限制.

主要成果:

• 跨多种成像方式 (例如,视频角质谱,OCT,meibography) 的深度学习模型显示了DED的高诊断精度,从82%到99%不等.
• 人工智能模型经常与已建立的临床评估的性能相匹配或超越.
• 有限的外部验证和缺乏专家间差异性的关注被认为是常见的局限性.

结论:

• 人工智能具有显著的潜力,可以提高眼科干眼疾病诊断的准确性和效率.
• 解决数据多样性,外部验证和可重复性方面的差距对于AI工具的临床实施至关重要.
• 未来的研究应该专注于强大的验证和标准化,以促进人工智能融入常规眼科护理实践.