出版人:
Milea D,等。基于图像检测影响视神经头的威胁视力和生命的神经眼科疾病的深度学习。发表于:视觉和眼科研究协会年会;2020年6月12日(虚拟会议)
基于眼底照片的深度学习系统可以对视盘进行分类
出版人:
Milea D,等。基于图像检测影响视神经头的威胁视力和生命的神经眼科疾病的深度学习。发表于:视觉和眼科研究协会年会;2020年6月12日(虚拟会议)
一种新开发的基于眼底照片的深度学习系统可以自动区分正常视盘和乳头水肿或其他异常视盘。
“在我们的数据集中,我们的系统可以分辨照片上的光盘……精确度相当高,尤其是对于乳头水肿,”丹·米利亚,医学博士,在视觉和眼科研究虚拟协会会议上说。
![深度学习软件正常,来自异常光盘0.99,乳头水肿0.98信息图](http://m.hamroaawaz.com/~/media/slack-news/ophthalmology/misc/infographics/2020/06_june/osn0620arvo_milea_retina_graphic_01.jpg?h=630&w=1200&la=en&hash=798D55F0E6F7643E67FA72CACE3237EC)
米利亚和他的同事开发了一个深度学习系统,可以自动将视盘分为正常或异常。该系统还可以通过眼底照片检测乳头水肿。研究人员使用14341张眼底照片来训练深度学习系统并进行验证,另外1505张照片用于外部测试。米利亚说,这些照片来自人工智能国际联盟进行的大脑和视神经研究中的患者。
通过计算受试者操作曲线下面积(AUC)、特异性和敏感性来评估深度学习系统的性能。他说,该系统的结论与进行临床检查和辅助调查的神经眼科医生有关。
研究人员使用了9156张正常视盘图像、2148张乳头水肿图像和3037张其他视盘异常图像。深度学习系统成功区分正常视盘和异常视盘,AUC为0.99。该系统成功地从其他椎间盘检测出乳头水肿椎间盘,AUC为0.98。
使用外部数据集,从深度学习系统中观察到类似的结果。该系统检测正常椎间盘的AUC为0.98,敏感性为95.3,特异性为86.6。深度学习系统检测乳头水肿椎间盘的AUC为0.96,敏感性为96.4,特异性为84.7。
“有很高的阴性预测值,这意味着阴性患者很有可能恢复正常,”米利亚说。