论文部分内容阅读
目的1.以光学相干断层扫描(optical coherence tomography,OCT)结果为糖尿病黄斑水肿的诊断依据,标注对应眼底彩照,训练深度学习模型通过眼底彩照自动识别黄斑水肿。2.建立基于OCT图像的深度学习模型自动识别糖尿病黄斑水肿(diabetic macular edema,DME)形态分型。方法1.纳入确诊糖尿病患者患眼387例,回顾性分析387例OCT及其中297例同一患眼对应眼底彩照。依据OCT定量及定性测定的黄斑区视网膜厚度及视网膜层间形态改变,对OCT和眼底彩照进行糖尿病黄斑水肿相关标注并划分为DME与非黄斑水肿(n-DME)、累及中心凹的黄斑水肿(central-involved DME,CIDME)与非累及中心凹的黄斑水肿的其他类型(n-CIDME)的分组。以带分组标签的OCT和眼底彩照训练深度学习算法模型自动识别DME和CIDME,比较两种深度学习模型的灵敏度和特异度,分析比较不同黄斑水肿形态类型的黄斑水肿召回率,分析比较有无硬性渗出的黄斑水肿检测准确率差异。2.纳入确诊糖尿病患眼387例,依据OCT视网膜层间形态改变标注DME四种分型,分别为弥漫性视网膜增厚(diffuse retinal thickening,DRT)、黄斑囊样水肿(cystoid macular edema,CME)、浆液性视网膜脱离(serous retinal detachment,SRD)和玻璃体后牵拉(posterior hyaloid traction,PHT)。以带分型标签OCT图像训练深度学习模型自动识别OCT图像的DME分型。结果1.DME的检测:眼底彩照训练的深度学习模型灵敏度为0.73,特异度为0.93;OCT训练的深度学习模型灵敏度为0.90,特异度为0.97;CIDME的检测:眼底彩照训练的深度学习模型灵敏度为0.72,特异度为0.74;OCT训练的深度学习模型灵敏度为0.89,特异度为0.98。单独比较不同DME分型的DME、CIDME检出率,基于眼底彩照和OCT训练的模型均以PHT和混合型的检出率相对更高。是否存在硬性渗出的检出率无显著性差异。2.深度学习模型基于OCT图像识别DME不同分型的灵敏度和特异性分别为:DRT0.92,0.94,CME0.95,0.98,SRD0.92,0.99,PHT1,1,normal0.93,0.93。结论1.依据OCT对眼底彩照进行糖尿病黄斑水肿相关标注所训练的深度学习模型可以有效识别DME、CIDME,但基于OCT识别黄斑水肿比基于眼底彩照识别糖尿病黄斑水肿结果更精确。2.深度学习模型可以准确判断OCT图像的DME形态分型。