典型文献
人工智能眼底分析技术对青光眼病灶的诊断价值研究
文献摘要：
背景 青光眼是一种不可逆性的致盲性眼病,研究青光眼眼底图像特征,利用人工智能技术在专业临床数据库的基础上建立诊断模型,能够快速、客观地对青光眼患者眼底图像进行判断.目的 评价一种基于人工智能眼底分析技术的青光眼病灶诊断系统的性能,并利用该系统探索青光眼疾病进展中的杯盘比发展情况.方法 选取2020年3月-2021年4月4000例在解放军总医院第三医学中心完成眼底照相患者的眼底照片,将采集的眼底照片进行视杯、视盘及视网膜纤维层缺损的分割标注、病灶多标签的分类标注及青光眼分期标注,获得眼底照片-青光眼数据集.建立一个基于深度学习算法模型的人工智能青光眼病灶诊断系统,并随机选取眼底照片进行内部验证以评估系统性能.利用该人工智能系统对不同分期的青光眼眼底照片进行杯盘比识别计算,分析随青光眼疾病进展的杯盘比分布差异.结果 本研究共应用了6837张眼底照片,其中60％(4102张)用作训练集,40％(2735张)用作验证集.在验证集中人工智能青光眼病灶诊断系统在视杯分割预测结果 上召回率平均为0.837,精确度平均为0.814,交并比平均为0.816,AUC平均为0.874;在视盘分割预测结果 上召回率平均为0.928,精确度平均为0.926,交并比平均为0.916,AUC平均为0.941;在视网膜神经纤维层缺损(retinal nerve fiber layer defect,RNFLD)分割预测结果 上召回率平均为0.653,精确度平均为0.612,交并比平均为0.480,AUC平均为0.749.在验证集中人工智能青光眼病灶诊断系统在局限性RNFLD病灶预测结果 上准确度平均为0.890,敏感度平均为0.896,特异性平均为0.638,AUC平均为0.893;在弥漫性RNFLD病灶预测结果 上准确度平均为0.950,敏感度平均为0.744,特异性平均为0.961,AUC平均为0.901;在视盘出血病灶预测结果 上准确度平均为0.966,敏感度平均为0.650,特异性平均为0.967,AUC平均为0.969;在视杯切迹病灶预测结果 上准确度平均为0.951,敏感度平均为0.794,特异性平均为0.957,AUC平均为0.892.对不同分期的青光眼眼底照片进行杯盘比识别计算,杯盘比值随青光眼视神经病变的进展逐渐增大.结论 将人工智能眼底分析技术应用于青光眼病灶诊断系统,可以为实现青光眼筛查提供思路.
文献关键词：
人工智能;深度学习;青光眼;视杯;视盘
中图分类号：
作者姓名：
吴星;黄烨霖;叶子;马彤;陈羽中;王大江
作者机构：
解放军总医院第三医学中心 眼科医学部,北京 100039;北京鹰瞳科技发展股份有限公司,北京100089
文献出处：
引用格式：
[1]吴星;黄烨霖;叶子;马彤;陈羽中;王大江-.人工智能眼底分析技术对青光眼病灶的诊断价值研究)[J].解放军医学院学报,2022(10):1014-1018
A类：
RNFLD
B类：
诊断价值,价值研究,不可逆性,致盲性眼病,眼底图像,图像特征,临床数据,诊断模型,青光眼患者,诊断系统,眼疾病,疾病进展,杯盘比,解放军总医院,医学中心,眼底照相,多标签,深度学习算法,算法模型,内部验证,评估系统,系统性能,该人,人工智能系统,不同分期,分布差异,作训,训练集,验证集,视杯分割,召回率,交并比,视盘分割,视网膜神经纤维层,retinal,nerve,fiber,layer,defect,弥漫性,出血病,视神经病变,青光眼筛查
AB值：
0.190813
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
