论文部分内容阅读
目的设计一种基于深度学习的自动诊断系统,准确诊断急进性后极部早产儿视网膜病变(aggressive posterior retinopathy of prematurity,AP-ROP),并评估其在临床应用中的价值。方法回顾性地采集深圳市眼科医院2009年1月至2018年5月行早产儿视网膜病变(retinopathy of prematurity,ROP)筛查及诊疗的242个患儿的5474张眼底图像作为本研究的数据集,图像由第三代广角数码儿童视网膜成像系统(wide-field digital pediatric retinal imaging system,Ret Cam)所拍摄。共6名从事ROP诊疗领域的眼科专家严格按照国际分类标准(international classification of ROP,ICROP)对训练集的图像进行诊断和标注(包括无ROP、常规ROP及AP-ROP)。常规ROP指的是ROP的阈值病变和阈值前病变,即常见的ROP类型。卷积神经网络对专家的标注结果进行深度学习,通过反复训练,建立能够识别该病变的算法模型,实现AP-ROP的自动诊断。本研究共含有两个具体的卷积神经网络,对病变的识别分为两步:第一步,利用网络-1将所有的眼底图像分类为无ROP和ROP;第二步,利用网络-2将网络-1识别出的所有ROP图像分为常规ROP和AP-ROP。利用以下方法对网络的性能进行评估:1.利用测试集的数据对算法模型的性能进行测试;2.双网络联合模型与单网络模型对比,来评估本研究所用的双网络联合模型的优越性;3.通过人机对比实验来测试算法模型的性能(将不同级别的眼科医生对ROP识别的准确性分别与算法模型的准确性进行对比)。结果1.在第一步的ROP识别过程中,共有无ROP的图像915张和ROP图像583张作为测试集对算法模型进行评估,最终得出,网络-1能准确识别ROP的准确率为96.53%,敏感性为96.74%和特异性为96.39%;在第二步的AP-ROP识别过程中,共有常规ROP图像290张和AP-ROP图像293张作为测试集对算法模型进行评估,网络-2最终能在所有ROP图像中准确识别出APROP的准确率为98.46%,敏感性为100%和特异性为96.90%。2.双网络联合模型与单网络模型识别病变的对比结果表明,双网络联合模型识别病变的准确性95.93%,明显高于单网络模型(单网络的模型准确性分别为91.92%和93.52%)。3.人机对比的结果得出,在识别无ROP和常规ROP方面,不同级别的眼科医生和算法模型的诊断准确性均高于90%,但在AP-ROP的识别方面,只有专家和算法模型的准确率达到了90%。结论基于深度学习的自动诊断系统在诊断APROP方面具有较高的准确性,敏感性及特异性。将这一自动诊断技术应用到Ret Cam系统或远程医疗系统中,将有望帮助眼科医生提高阅片能力和效率,提高病变识别能力,并能够降低医疗成本,进行大规模的影像学检查。