论文部分内容阅读
目的：使用深度学习（DeepLearning,DL）技术对扫频AS-OCT前房角图像的开放或关闭进行自动检测，并评估该方法的临床检验效能。
方法：本研究为诊断性研究，收集2016年5月到2017年12月就诊于汕头大学·香港中文大学联合汕头国际眼科中心（JSIEC）的原发性闭角型青光眼（包括原发性急性闭角型青光眼及原发性慢性闭角型青光眼）患者以及健康志愿者的扫频AS-OCT图像（TomeyOCT）。数据集被随机分为两部分：训练集（trainingdataset）和测试集（testingdataset），其中训练集用于算法训练，测试集用于评估模型的性能。使用深度学习的卷积神经网络（ConvolutionalNeuralNetwork,CNN）通过在训练集的迭代训练，直到模型收敛误差后在测试集上进行评估。使用基于ImageJ自编程序测量测试集中扫频AS-OCT图像前房参数，包括：中央前房深度（ACD）,房角开放距离750（AOD750）和小梁网虹膜空间面积750（TISA750）。使用MedCalc15.2.2软件绘制深度学习模型和扫频AS-OCT前房参数的ROC曲线，计算并比较各自的曲线下面积。
结果:最终共纳入382例受试者14684张扫频AS-OCT图像，其中训练集14543张图像（房角关闭组123例患者3067张图像，房角开放组118例志愿者11476张图像），测试集141张图像（房角关闭组71例患者71张图像，房角开放组70例志愿者70张图像）。使用深度学习的方法自动检测扫频AS-OCT房角关闭图像的准确率为95.03%，特异性为94.29%，灵敏性为95.77%，ROC曲线下面积(AUC)达0.995（95%置信区间，0.964-1.0）。将ACD，AOD750，TISA750作为诊断标准时，得到的AUC分别为0.838（95%置信区间，0.766-0.894），0.963（95%置信区间，0.917-0.987）和0.976（95%置信区间，0.935-0.994），且ACD、AOD750的AUC均低于深度学习所得出的结果,差异具有统计学意义（p＜0.05），TISA的AUC跟深度学习所得出的结果无明显统计学差异（p＞0.05）。
结论：本研究所提出的基于深度学习的方法能够实现自动检测扫频AS-OCT图像中的前房角开放或关闭，并实现较高的检验效能，其结果甚至优于传统的基于软件测量的某些前房参数检验结果。
方法：本研究为诊断性研究，收集2016年5月到2017年12月就诊于汕头大学·香港中文大学联合汕头国际眼科中心（JSIEC）的原发性闭角型青光眼（包括原发性急性闭角型青光眼及原发性慢性闭角型青光眼）患者以及健康志愿者的扫频AS-OCT图像（TomeyOCT）。数据集被随机分为两部分：训练集（trainingdataset）和测试集（testingdataset），其中训练集用于算法训练，测试集用于评估模型的性能。使用深度学习的卷积神经网络（ConvolutionalNeuralNetwork,CNN）通过在训练集的迭代训练，直到模型收敛误差后在测试集上进行评估。使用基于ImageJ自编程序测量测试集中扫频AS-OCT图像前房参数，包括：中央前房深度（ACD）,房角开放距离750（AOD750）和小梁网虹膜空间面积750（TISA750）。使用MedCalc15.2.2软件绘制深度学习模型和扫频AS-OCT前房参数的ROC曲线，计算并比较各自的曲线下面积。
结果:最终共纳入382例受试者14684张扫频AS-OCT图像，其中训练集14543张图像（房角关闭组123例患者3067张图像，房角开放组118例志愿者11476张图像），测试集141张图像（房角关闭组71例患者71张图像，房角开放组70例志愿者70张图像）。使用深度学习的方法自动检测扫频AS-OCT房角关闭图像的准确率为95.03%，特异性为94.29%，灵敏性为95.77%，ROC曲线下面积(AUC)达0.995（95%置信区间，0.964-1.0）。将ACD，AOD750，TISA750作为诊断标准时，得到的AUC分别为0.838（95%置信区间，0.766-0.894），0.963（95%置信区间，0.917-0.987）和0.976（95%置信区间，0.935-0.994），且ACD、AOD750的AUC均低于深度学习所得出的结果,差异具有统计学意义（p＜0.05），TISA的AUC跟深度学习所得出的结果无明显统计学差异（p＞0.05）。
结论：本研究所提出的基于深度学习的方法能够实现自动检测扫频AS-OCT图像中的前房角开放或关闭，并实现较高的检验效能，其结果甚至优于传统的基于软件测量的某些前房参数检验结果。