.png){kind=icon}
返回
A Deep Learning Model for Glaucoma Detection Outperforms Conventional Metrics
.png){kind=icon}
OA
AI
DOI：10.1167/tvst.14.10.22.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的：测试用于检测光学相干断层扫描（OCT）报告中青光眼损害的深度学习模型（DLM）。方法：将一个ImageNet预训练的ResNet-50模型微调，以对健康（H）与青光眼（G）OCT报告进行分类。该模型使用4932份H和207份G OCT广域报告进行训练，并在三个未见过的数据集上进行测试。Clear G队列由基于OCT、视野、照片和临床检查明确显示青光眼损害的50只眼组成。Pattern ON-G队列包含183只60岁以上伴有OCT弧形缺损的眼。这些缺损从轻微到严重不等。H-test队列包含来自商业正常参考数据库的396只眼。我们将DLM与五种常规指标进行比较。结果：在396只H-test眼中，当DLM的截断值达到99.5%特异度时，DLM在50只Clear G眼中达到100%敏感度，在183只Pattern ON-G报告中达到95.1%敏感度。AUROC为0.999。DLM显著优于3种常规指标。例如，全球视盘周围视网膜神经纤维层厚度在396只H眼中特异度为97.7%，在G队列中敏感度分别为73.8%和44.1%，AUROC为0.883。最佳的常规指标（基于逻辑回归模型）在G队列中的敏感度也显著较低（84.6%和66.1%），AUROC较低（0.975）。结论：DLM实现了高特异度和敏感度，并优于常规指标。转化相关性：DLM为筛查提供了一种可能的方法，并可能作为临床医生的诊断辅助工具。
Keyword:
optical coherence tomography
glaucoma
real world data
期刊
T
IF:
2.6
论文数:
178
被引数:
6.6K
机构
引用论文
.png){kind=icon}
Characteristics of a Large Database of Healthy Eyes From Optometry Practices: Implications for a Real-World Reference Database来自视光诊所的大规模健康眼数据库的特征：对真实世界参考数据库的启示OAAI
OAAI分享收藏Anatomical Features can Affect OCT Measures Used for Clinical Decisions and Clinical Trial Endpoints解剖学特征可影响用于临床决策和临床试验终点的OCT测量值OAAI
OAAI分享收藏分享收藏
查看更多内容