相关实验视频
Updated: May 6, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
对监管机构批准的深度学习系统进行系统性审查和元分析,用于 fundus 糖尿病视网膜病变检测
Ting-Wei Wang1,2,3,4, Wei-Ting Luo2,5, Yu-Kang Tu6
1Department of Medical Education, Taipei Veterans General Hospital, Taipei, Taiwan, ROC.
NPJ digital medicine
|December 19, 2025
概括
监管机构批准的用于糖尿病视网膜病变 (DR) 查的深度学习 (DL) 系统显示出高精度,与专家可比. 根据当地资源和图像质量定制部署对于公平的全球采用至关重要.
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:
- 糖尿病视网膜病变 (DR) 是全球导致失明的主要原因.
- 使用深度学习 (DL) 的自主选系统为广泛的DR检测提供了潜力.
- 评估监管机构批准的DL系统的实际性能至关重要.
研究的目的:
- 系统地评估监管机构批准的深度学习 (DL) 系统用于自主糖尿病视网膜病变 (DR) 查的现实世界的性能.
- 确定影响这些DL系统性能和异质性的因素.
主要方法:
- 在PubMed,Embase和ClinicalTrials.gov的系统文献搜索,截至2025年4月3日.
- 包括82项研究,涵盖25种设备和28个国家的887,244次检查.
- 层次的双变量元分析和元回归来评估聚合性能和异质性的来源.
主要成果:
- 聚合的灵敏度和特异性很高 (每名患者0.93/0.90,每只眼睛0.92/0.93),与专家的评分非常接近.
- 诸如DR严重程度值,国民收入,图像分级性,瞳孔膨胀和参考标准等因素解释了性能变化.
- 收入较低的环境,无法分类的图像和"任何DR"查增加了错误阳性;扩展的瞳孔和便携式相机改善了特异性.
结论:
- 监管机构批准的DL算法提供了准确和可扩展的DR检测.
- 成功实施需要根据特定的疾病值,图像质量和当地资源量身定制.
- 使用标准化指标进行市场后审计对于确保安全和公平的全球采用至关重要.
