人工智能应用于视网膜疾病诊治的欣荣之势

编

者

按

人工智能（AI）致力于在尽可能减少人为干预的情况下利用计算机技术模拟人类智能行为。鉴于其在多模态复杂数据处理和特征学习方面具备的独特优势，AI在医学诊断和治疗中被广泛研究和应用，在诊断以图像和数字形式为主要依据的眼科，AI的潜力更是毋庸置疑。ARVO2024会议上，AI用于视网膜疾病分类、筛查与诊断等方面的进展百花齐放，为领域的发展带来有力指导。

基于深度学习系统的视网膜

母细胞瘤自动分类和定量分析

该研究旨在开发一个深度学习系统用于基于广角眼底图像对视网膜母细胞瘤进行自动分类和定量分析。本研究纳入来自594例RB患者的3729张眼底图像，这些患者处于A至D期，以及587只正常眼。患者于2017年至2023年至深圳眼科医院和上海交通大学医学院附属新华医院进行眼底筛查。深度学习系统由两个通过监督学习训练的模型组成。第一个模型可以自动将所有眼底图像分类为三个类别，包括正常、AB（A或B期的图像）和CD（C或D期的图像）组。第二个模型用于定量分析，可以进行RB和视盘的检测和分割，可以进一步量化AB组中肿瘤的大小和肿瘤与视盘之间的距离。使用测试数据集和交叉验证评估模型的性能。

结果显示，分类模型可以准确分类正常、AB和CD组的三种类别，在测试集中平均准确度为0.9588，平均曲线下面积（AUC）为0.9913，而在内部交叉验证中，分类模型的平均准确度和AUC分别为0.9546和0.9911。在分割模型中，测试数据集中用于分割肿瘤和视盘的平均交并比、Dice系数和平均AUC分别为0.9645、0.9817和0.9996。

研究结论：深度学习系统在识别RB病变和分割眼内肿瘤及视盘方面表现较好，可以量化肿瘤大小和肿瘤与视盘之间的距离，为RB定量评估提供了一个客观工具，有助于更准确地评估RB和更个性化的治疗方案。

作者：Guoming Zhang，Yarou Hu，Zhenquan Wu，Xinyu Zhao

使用AI准确诊断中心性浆液性视网膜病变

利用AI提高中心性浆液性脉络膜视网膜病变（CSCR）的诊断能力。CSCR是第四常见的潜在致盲性视网膜疾病，其特征是液体积累导致的黄斑局部脱离。CSCR的发病率在男性中约为10例/10万，是常见的可以导致视力障碍的视网膜疾病之一。这项研究旨在利用在Google的协作平台上开发的AI模型来检测OCT扫描中的CSCR。

使用了Kaggle.com上的数据集进行模型开发，其中包含1996张图像，包括999张正常OCT扫描和997张CSCR OCT扫描，分为训练集、验证集和测试集。利用Google的协作平台，确保模型训练仅在1小时53分钟内完成。使用准确性、精确度、召回率（敏感性）、特异性和F1值等指标对模型的性能进行评估。

结果表明，AI模型展示了准确性和可靠性，在准确性、精确度、召回率（敏感性）、特异性和F1分数等关键性能指标上均取得了100%得分，AUC值为1。这表明模型能够有效地区分CSCR患者和正常视网膜的个体。

研究结论：这项研究不仅建立了AI在眼科诊断中的应用，还解决了一个主要的视网膜疾病，CSCR。这项研究有潜力通过减少临床医生的工作量和使诊断过程更加高效，从而对患者护理和临床结果产生影响。结果突出了AI技术如何彻底改变视网膜疾病的诊断，鼓励进一步调查将它们整合到日常临床实践中。

作者：Longines Lee，Akshay Reddy，Nathaniel Tak，Neel Nawathey，San San Lwin，Alexander Bolanos，Sydney Lam，Alexander Garcia，Martin Nguyen，James Martel

基于云AI用于OCT扫描的Drusen检测

Drusen是视网膜色素上皮和Bruch膜之间的细胞外沉积物，是眼部健康的重要指标，与影响全球1.96亿人的与年龄相关的黄斑变性（AMD）有关。本研究旨在开发一种区分Drusen和正常光学相干断层扫描（OCT）扫描的AI模型。

以OCT扫描作为训练模型的基础，重点是其识别Drusen病理特征的能力。训练侧重于使用Google的基于云的服务辨别Drusen特征。利用Google的平台强调了基于云服务在计算密集型任务中的优势，以简化和资源高效的模型开发。利用Google平台，模型在高效的2小时8分钟内完成训练。使用来自Kaggle.com的数据集，包括5932张OCT扫描，其中2935张带有Drusen的OCT扫描和2997张正常的OCT扫描。数据被随机分为训练集（80%）、验证集（10%）和测试集（10%）。

AI模型成功区分了Drusen和正常OCT扫描，表现出高准确性和精确度。模型使用以下指标进行评估：准确性（95%）、精确度（97.98%）、召回率（97%）、特异性（98%）、F1值（97.4%）和AUC（0.996）。高AUC强调了模型在捕捉微小Drusen模式方面的有效性，为其区分能力提供了全面评估。

研究结论：本研究展示了AI模型在OCT扫描中检测Drusen的开发，强调了基于云资源在有效和成本效益训练方面的优势。将公开可用的数据集与数据分割集相结合，提高了可访问性。显著的AUC和其他指标表明，该模型有潜力成为识别早期Drusen的有价值工具。

作者：Alexander Garcia，Akshay Reddy，Nathaniel Tak，Neel Nawathey，Parsa Riazi Esfahani，Martin Nguyen，Longines Lee，Jen-Yeu Wang，Helia Aval，James Martel

AI驱动的OCT扫描中黄斑裂孔检测：

高效训练、稳健性能和全球意义

黄斑裂孔（MH）是一种影响黄斑的视力威胁性病变，需要及时准确的诊断以便有效干预。全球发病率约7/100,000，精确和及时的诊断工具的重要性显而易见。本研究开发一种AI模型，以区分OCT扫描中的MH和正常情况。主要目标是创建一个精确高效的工具，帮助眼科医生迅速识别MH，以便及时干预，改善临床预后。

使用Kaggle.com上的公开可用图像数据集，包括1000张图像，其中500张MH OCT扫描和500张正常OCT扫描，以供 AI模型进行训练。数据集被随机分成三组：训练集（80%）、验证集（10%）和测试集（10%）。利用Google的协作平台，模型在短短1小时48分钟内高效训练。

结果表明，AI模型展示了卓越的性能指标，准确度、精确度、召回率（敏感性）、特异性和F1值均超过99%。此外，该模型展示了出色的AUC值为1.0，表明其在OCT扫描中识别MH的强大鉴别能力。这些结果显著优于现有基准，并为临床设置中的实际应用带来了希望。

研究结论：由于MH影响全球个体，这项研究突出了AI驱动方法在OCT扫描中准确识别MH方面的有效性。模型的卓越准确性、精确度和令人印象深刻的AUC强调了其作为眼科医生的有价值诊断工具的潜力，使其能够快速准确地检测黄斑病变。利用这项技术可能会对早期干预策略和视网膜病变的积极管理产生深远影响，并促进临床实践中患者预后的改善。

作者：Alexander Bolanos，Akshay Reddy，Nathaniel Tak，Neel Nawathey，Parsa Riazi Esfahani，Helia Aval，Alexander Garcia，San San Lwin，Martin Nguyen，James Martel

总结：近年来，AI在眼科领域的研究数量呈现井喷式增长，对于部分眼病的诊断效力已经接近甚至超过专家水平。可以预见，AI技术的飞速发展和推广应用将为辅助眼病诊疗，提升眼科基层卫生保健水平，推动远程医疗发展，完善常见致盲性眼病的筛查和慢性眼病管理带来革命性变化，产生巨大的社会经济效益。

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。