利用深度学习从眼底照片预测光学相干断层扫描所得的糖尿病性黄斑水肿分级
计算机视觉与模式识别
2020-06-03 v4 机器学习
机器学习
摘要
糖尿病性眼病是可预防失明增长最快的成因之一。随着抗 VEGF（血管内皮生长因子）疗法的出现，检测累及中心的糖尿病性黄斑水肿（ci-DME）变得愈发重要。然而，累及中心的糖尿病性黄斑水肿是使用光学相干断层扫描（OCT）诊断的，由于成本和工作流限制，筛查点通常无法配备该设备。相反，筛查项目依赖在彩色眼底照片中检测硬性渗出物作为 DME 的替代指标，常导致高假阳性或假阴性判断。为提高 DME 筛查准确性，我们训练了一个深度学习模型，利用彩色眼底照片预测 ci-DME。我们的模型 ROC-AUC 为 0.89（95% CI：0.87-0.91），对应于 80% 特异度下 85% 的灵敏度。相比之下，三位视网膜专家具有相似的灵敏度（82-85%），但特异度仅为其一半（45-50%，与模型的每次比较 p<0.001）。模型的阳性预测值（PPV）为 61%（95% CI：56-66%），约为视网膜专家 36-38% 的两倍。除预测 ci-DME 外，我们的模型还能以 0.81（95% CI：0.81-0.86）的 AUC 检测视网膜内液存在，并以 0.88（95% CI：0.85-0.91）的 AUC 检测视网膜下液。深度学习算法能从简单 2D 图像作出通常需复杂 3D 成像设备才能得到的临床相关预测的能力，对医学影像许多其他应用具有广泛意义。
引用
@article{arxiv.1810.10342,
title = {Predicting optical coherence tomography-derived diabetic macular edema grades from fundus photographs using deep learning},
author = {Avinash Varadarajan and Pinal Bavishi and Paisan Raumviboonsuk and Peranut Chotcomwongse and Subhashini Venugopalan and Arunachalam Narayanaswamy and Jorge Cuadros and Kuniyoshi Kanai and George Bresnick and Mongkol Tadarati and Sukhum Silpa-archa and Jirawut Limwattanayingyong and Variya Nganthavee and Joe Ledsam and Pearse A Keane and Greg S Corrado and Lily Peng and Dale R Webster},
journal= {arXiv preprint arXiv:1810.10342},
year = {2020}
}