深度学习系统在真实临床环境中检测可转诊糖尿病视网膜病变的性能
图像与视频处理
2022-05-12 v1 计算机视觉与模式识别
机器学习
摘要
背景:旨在评估一款商用深度学习系统 RetCAD v.1.3.1(Thirona,荷兰奈梅亨)在三级医院筛查项目中常规临床实践所采集的彩色眼底图像数据集上自动检测可转诊糖尿病视网膜病变(DR)的能力,并分析引入该人工智能技术可释放的工作量减少程度。方法:于2019年2月至12月间,对参加我院筛查项目的3189名糖尿病患者的6325只眼共7195张免散瞳眼底图像组成的数据集进行软件评估。该软件为每张彩色眼底图像生成 DR 严重程度评分,并汇总为眼级评分。随后将该评分与人工专家设定的参考标准通过比较受试者工作特征(ROC)曲线分析进行对比。结果:该人工智能(AI)软件检测可转诊 DR 的 ROC 曲线下面积(AUC)达 0.988 [0.981:0.993]。在拟定的工作点上,RetCAD 软件对 DR 的灵敏度为 90.53%,特异度为 97.13%。以仅 6 例假阴性为代价,可实现 96% 的工作量削减。结论:该 AI 软件正确识别了绝大多数可转诊 DR 病例,在需核查病例中实现 96% 的工作量削减,且几乎未漏诊真实病例,因此可作为分诊工具使用。
引用
@article{arxiv.2205.05554,
title = {Performance of a deep learning system for detection of referable diabetic retinopathy in real clinical settings},
author = {Verónica Sánchez-Gutiérrez and Paula Hernández-Martínez and Francisco J. Muñoz-Negrete and Jonne Engelberts and Allison M. Luger and Mark J. J. P. van Grinsven},
journal= {arXiv preprint arXiv:2205.05554},
year = {2022}
}
备注
15 pages, 3 figures, 2 tables