整合人类专业知识与人工智能 (AI) 模型用于光学连贯断层扫描 (OCT) 视网膜液和病理量化:系统性审查

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:

• 人工智能 (AI) 和密集学习在眼科中显示出希望,用于使用光学连贯断层扫描 (OCT) 诊断糖尿病视网膜病变等疾病.
• 在OCT扫描中对视网膜液的精确细分仍然具有挑战性,特别是在非典型的病例和低质量的图像中.
• 在临床环境中手动细分是耗时的,需要更有效的方法来量化视网膜病理.

研究的目的:

• 评估人类-人工智能协作工作流程的有效性,以提高使用OCT在视网膜病理量化中的准确性,效率和临床实用性.
• 对基于OCT的视网膜分析的混合AI-临床医生方法的文献进行系统审查.

主要方法:

• 从2021年到2025年,在PubMed,科学网和Scopus进行了系统的文献审查.
• 包括九项研究量化视网膜病理与人-AI合作工作流程在OCT.
• 使用QUADAS-2和ROBINS-I工具评估了研究质量,并提取了AI架构和性能指标的数据.

主要成果:

• 混合人工智能-临床医生工作流程在13个视网膜生物标志物中的11个实现了专家级可靠性.
• 像U-Net变体和CNN这样的AI模型在定义的特征 (例如视网膜层,液体) 上表现良好,但在复杂的生物标志物 (例如子RPE病变) 上扎.
• 这些工作流程将处理时间减少了50%以上,并提高了对新血管与年龄相关的黄斑变性 (AMD) 等疾病的监测精度.

结论:

• 将AI量化与临床医生的专业知识相结合,可以提高视网膜病理评估的准确性和效率.
• 混合方法解决了AI的局限性,证明了在眼科中临床使用的实用性,并支持个性化治疗.
• 建议将混合人工智能-人类工作流程纳入临床实践,以提高OCT分析的效率和准确性.