论文部分内容阅读
目的
评估深度学习中标准化人工标注在早产儿视网膜病变(ROP)图像识别中的应用价值。
方法根据ROP国际分类标准,将ROP各期病变分为分期病变和附加病变。标注图片来源于汕头国际眼科中心,采用分层抽样法随机提取2009年8月至2018年7月ROP各期病变1 464帧图片,分为3个组:分期病变组(亚组1∶173帧,亚组2∶117帧)和附加病变组(亚组1∶163帧,亚组2∶116帧)为培训标注用图片;一致性标注图组(895帧)为验证培训效果的图片组。标注人员包括2名资深专家、3名高年资医生和3名实习医生。全体标注人员进行统一标注的图片标注培训。以专家组标注结果为参照,标注一致率≥90%作为合格标准。分组比较分析标注结果并与深度学习方法的结果进行比较。分析非专家医师组以及深度学习方法与专家标注结果比较的一致性。
结果首次培训后,高年资组和实习医师组整体一致率在2种病变标注中均低于90%。经过2~3次标准化培训后,高年资组医师和实习医师组医师对分期病变标注的整体一致率分别为98.99%(Kappa=0.979)和99.22%(Kappa=0.984),对附加病变标注的整体一致率分别为97.43%(Kappa=0.914)和98.11%(Kappa=0.935),一致性好;人机结合基础上的深度学习对分期病变标注的整体一致率为94.08%(Kappa=0.880),一致性较好。
结论标准化人工标注可提升深度学习对ROP图像识别的智能化效率,并能作为眼科医师同质化、规范化阅片培训的创新方法。