您的当前位置：视网膜出血 > 网膜出血护理 > 研制和验证在视网膜眼底照片中检测糖尿病视
研制和验证在视网膜眼底照片中检测糖尿病视
医学前沿
深度学习是计算方法家族的一员，它从大量例子中学习移除明确指定规则的需要从而证实希望得到的行为，实现对自身进行编程。运用这些方法到医疗影像中，需要进一步评估和验证。
本研究旨在使用深度学习，创建在视网膜眼底照片中自动检测糖尿病视网膜病变和糖尿病黄斑水肿的算法。
研究由54位美国执业眼科医师和眼科资深住院医生组成的团队，根据糖尿病性视网膜病变、糖尿病黄斑水肿和照片级差将例视网膜照片分为3-7级次，组成一个回顾性开发数据集，对叫做“深度卷积神经网络”的优化图像分类的特定类型神经网络进行训练。年1月至2月，使用由至少7个美国委员会认证的、内部分级一致性高的眼科医师进行分级的2个独立数据集，对结果算法进行验证。暴露：深度学习训练的算法。
研究主要观察指标：基于眼科医师团队大多数决策的参考标准，产生检测糖尿病相关视网膜病变（RDR）（定义为中等和更严重的糖尿病视网膜病变、糖尿病相关黄斑水肿，或者两者都有）算法的敏感度和特异度。从开发数据集中选择2个操作要点（1个选择高特异度，另外1个选择高敏感度），对该算法进行评估。
研究结果显示：EyePACS-1数据集由来自例患者（平均年龄，54.4岁；62.2%女性；RDR患病率，/张完全可分级照片[7.8%]）的张照片组成；Messidor-2数据集由来自例患者（平均年龄，57.6岁；42.6%女性；RDR患病率，/张完全可分级照片[14.6%]）的张照片组成。对于算法检测RDR的接收者操作曲线下面积来说，EyePACS-1是0.（95%CI,0.-0.），Messidor-2是0.（95%CI,0.-0.）。在使用第一个有高特异度操作截点值的时候，EyePACS-1的敏感度是90.3%（95%CI,87.5%-92.7%），特异度是98.1%（95%CI,97.8%-98.5%）。Messidor-2的敏感度是87.0%（95%CI,81.1%-91.0%），特异度是98.5%（95%CI,97.7%-99.1%）。在开发数据集中使用第二个有高敏感度操作点的时候，EyePACS-1的敏感度是97.5%，特异度是93.4%；Messidor-2的敏感度是96.1%，特异度是93.9%。
研究得出结论和意义：在这个对糖尿病成人视网膜眼底照片的评估中，基于深度机器学习的算法，对检测糖尿病相关视网膜疾病具有高敏感度和高特异度。需要进一步的研究，确定在临床环境中使用这个算法的可行性，确定使用该算法与目前的眼科评估比较是否改善了护理和结果。
END赞赏
