应用人工智能识别超广角眼底照相多病种的初步研究

• 作者: 孙功鹏 王晓玲 徐立璋 李嫦 王雯钰 易佐慧子 郑红梅 李志清 陈长征
• 来源期刊: 中华眼底病杂志
• 关键词: 视网膜疾病 人工智能 深度学习 超广角眼底照相
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 人工智能研究
• 页码范围: 132-138
• 页数: 7页
• 语种: 中文
• DOI: 10.3760/cma.j.cn511434-20211228-00728

摘要

目的:构建一个小样本超广角眼底照相（UWFI）多疾病分类人工智能模型，初步探究人工智能对UWFI多病种分类任务的能力。方法:回顾性研究。2016年至2021年于武汉大学人民医院眼科就诊并行UWFI检查的1 123例患者的1 608张图像用于UWFI多疾病分类人工智能模型构建。其中，糖尿病视网膜病变（DR）、视网膜静脉阻塞（RVO）、病理性近视（PM）、视网膜脱离（RD）、正常眼底图像分别为320、330、319、268、371张。来自天津医科大学眼科医院106例患者的135张图像作为外部测试集。选取EfficientNet-B7作为主干网络，对纳入的UWFI图像进行分类分析。使用受试者工作特征曲线及曲线下面积（AUC）、灵敏度、特异性、准确率评估分类模型在测试集上的表现，所有数据均使用数值及95%可信区间（ CI）表达。将数据集在网络模型ResNet50、ResNet101上进行训练，并在外部测试集上进行测试，对比观察EfficientNet与上述两种模型的性能。 结果:UWFI多疾病分类人工智能模型在内部、外部测试集上的总分类准确率分别为92.57% （95% CI 91.13%~92.92%）、88.89% （95% CI 88.11%~90.02%）。其中，正常眼底分别为96.62%、92.59%，DR分别为95.95%、95.56%，RVO分别为96.62%、98.52%，PM分别为98.65%、97.04%，RD分别为97.30%、94.07%。在内部、外部测试集上的平均AUC分别为0.993、0.983。其中，正常眼底分别为0.994、0.939，DR分别为0.999、0.995，RVO分别为0.985、1.000，PM分别为0.991、0.993，RD分别为0.995、0.990。内部、外部测试集上EfficientNet性能均较ResNet50、ResNet101模型更佳。 结论:初步构建的小样本UWFI多疾病分类人工智能模型对常见眼底疾病的分类水平较高，可能具有辅助临床筛查及诊断的价值。