用于检测可转诊糖尿病视网膜病变和青光眼的深度学习模型可视化
DOI:10.1001/jamaophthalmol.2018.6035
期刊:JAMA Ophthalmology
出版年份:2018
更新时间:2025-09-04 15:30:14
摘要:
重要性 近期卷积神经网络已应用于眼科疾病领域,但临床医生难以理解这些系统生成结果的依据。因此需要一种可视化工具,使临床医生能实时理解重要暴露变量。
目的 系统性可视化两种经验证的深度学习模型(用于检测需转诊的糖尿病视网膜病变[DR]和青光眼性视神经病变[GON])的卷积神经网络。
设计、场景与参与者 GON和需转诊DR算法先前已使用第三方数据库(LabelMe)中来自中国不同临床环境、经过去标识处理的48,116张和66,790张视网膜照片(采用保留法)开发并验证。本横断面研究从GON和DR验证数据集中各选取100张真阳性照片随机样本及所有假阳性病例,所有数据收集于2017年3月至6月。原始彩色眼底图像采用自适应核可视化技术处理,通过28×28像素滑动窗口(步长3像素)裁剪为子图像生成特征图。针对各模型调整阈值尺度生成热图,突出输入图像上的局部标志区域。由一名验光师根据生成的热图将每张图像分配至预定义类别。
主要结局与指标 眼底可视化区域。
结果 在GON数据集中,100例真阳性病例中的90例(90%;95%CI 82%-95%)和22例假阳性病例中的15例(68%;95%CI 45%-86%)的热图可视化仅显示在视盘区域。在96例真阳性DR病例(96%;95%CI 90%-99%)中,需转诊DR常见病变(渗出、出血或血管异常)被识别为最重要的预后区域。46例假阳性DR病例中的39例(85%;95%CI 71%-94%),热图显示非传统眼底区域(伴或不伴视网膜静脉)的可视化。
结论与意义 这些发现表明该可视化方法能突出疾病诊断中的传统区域,证实了所研究深度学习模型的有效性。该可视化技术可能促进这些模型在临床的应用。
作者:
Stuart Keel,Jinrong Wu,Pei Ying Lee,Jane Scheetz,Mingguang He