论文部分内容阅读
目的：利用黄斑区眼底彩照及OCT扫描图像，构建基于深度学习算法的黄斑病变检测模型，用于常见9类黄斑区病变的检测。
方法：本研究选取2016年1月至2019年4月在汕头大学?香港中文大学联合国际眼科中心就诊患者的黄斑区眼底彩照及OCT图像，经过分级人工标注后，分别建立训练集和验证集。利用深度学习算法建立用于9种黄斑病变的眼底彩照-OCT图像黄斑病变检测模型，并验证其准确度、敏感度及特异度，评估此模型在黄斑病变检测中的表现情况及使用价值。
结果：本研究共纳入1758人，2306眼，共35535张图像，其中眼底彩照9422张，OCT图像26113张。对于分类眼底彩照，深度学习模型的总体准确度为95.12％，Kappa为0.93，AUC为0.999(95％CI，0.999-1.000),敏感度为99.308％(95％CI，98.394%-99.775%)和特异度为98.263％(95％CI，96.986%-99.100%)。对于分类OCT图像，深度学习模型的总体准确度为96.36％，Kappa为0.958，AUC为0.992(95％CI，0.990-0.994)，敏感度为99.377％(95％CI，99.059%-99.609%)和特异度为94.550％(95％CI，91.709%-96.640%)。
结论：本研究构建的用于9种黄斑病变检测的深度学习算法模型有较高的准确度、敏感度及特异度，且基于OCT图像的检测效果略优于眼底彩照。
方法：本研究选取2016年1月至2019年4月在汕头大学?香港中文大学联合国际眼科中心就诊患者的黄斑区眼底彩照及OCT图像，经过分级人工标注后，分别建立训练集和验证集。利用深度学习算法建立用于9种黄斑病变的眼底彩照-OCT图像黄斑病变检测模型，并验证其准确度、敏感度及特异度，评估此模型在黄斑病变检测中的表现情况及使用价值。
结果：本研究共纳入1758人，2306眼，共35535张图像，其中眼底彩照9422张，OCT图像26113张。对于分类眼底彩照，深度学习模型的总体准确度为95.12％，Kappa为0.93，AUC为0.999(95％CI，0.999-1.000),敏感度为99.308％(95％CI，98.394%-99.775%)和特异度为98.263％(95％CI，96.986%-99.100%)。对于分类OCT图像，深度学习模型的总体准确度为96.36％，Kappa为0.958，AUC为0.992(95％CI，0.990-0.994)，敏感度为99.377％(95％CI，99.059%-99.609%)和特异度为94.550％(95％CI，91.709%-96.640%)。
结论：本研究构建的用于9种黄斑病变检测的深度学习算法模型有较高的准确度、敏感度及特异度，且基于OCT图像的检测效果略优于眼底彩照。