从机器到机器：一个 OCT 训练的深度学习算法用于眼底照片中青光眼损害的客观量化
计算机视觉与模式识别
2018-10-25 v1 人工智能
摘要
以往使用深度学习算法对眼底照片上的青光眼损害进行分类的方法受限于需要人工标注参考训练集。我们提出一种新方法，利用频域光学相干断层扫描（SDOCT）数据训练深度学习算法，以量化视盘照片上的青光眼结构性损害。数据集包含来自 1,198 名受试者 2,312 只眼的 32,820 对视盘照片和 SDOCT 视网膜神经纤维层（RNFL）扫描。训练了一个深度学习卷积神经网络来评估视盘照片并预测 SDOCT 平均 RNFL 厚度。该算法性能在一个独立测试样本中评估。测试集中所有 6,292 张视盘照片的平均 RNFL 厚度预测值为 83.314.5 m，而所有对应 SDOCT 扫描的平均 RNFL 厚度为 82.516.8 m（P = 0.164）。预测与观测 RNFL 厚度值之间相关性极强（r = 0.832；P<0.001），预测的平均绝对误差为 7.39 m。用深度学习预测值和实际 SDOCT 测量值区分青光眼眼与健康眼的受试者工作特征曲线下面积分别为 0.944（95 CI：0.912-0.966）和 0.940（95 CI：0.902-0.966）（P = 0.724）。总之，我们引入了一种新颖的深度学习方法评估视盘照片并提供关于神经损害量的定量信息。该方法有可能用于从视盘照片诊断和分期青光眼损害。
引用
@article{arxiv.1810.10343,
title = {From Machine to Machine: An OCT-trained Deep Learning Algorithm for Objective Quantification of Glaucomatous Damage in Fundus Photographs},
author = {Felipe A. Medeiros and Alessandro A. Jammal and Atalie C. Thompson},
journal= {arXiv preprint arXiv:1810.10343},
year = {2018}
}