基于图像的深度学习对视网膜疾病的全自动检测

摘要： 目的 随着人口老龄化和全球糖尿病流行，作为致盲主因的年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿（DME）患病率持续上升?？寡苣谄どひ蜃樱筕EGF）药物玻璃体腔注射是这些疾病的标准治疗方案。光学相干断层扫描（OCT）作为无创影像学手段，通过提供视网膜病变的详细横断面扫描，在指导抗VEGF治疗中发挥关键作用。全自动OCT图像检测能显著减少临床医师繁琐工作量，并通过分析视网膜结构元素获得可靠预诊断。因此，我们探索基于视觉几何组16（VGG-16）网络的深度迁移学习方法，实现OCT图像中AMD与DME的精准自动分类。 方法 从加州大学圣地亚哥分校Shiley眼科研究所、加州视网膜研究基金会等五家机构2013-2017年回顾性队列中，选取5319例成人患者的207,130张视网膜OCT图像（含脉络膜新生血管37,456张、糖尿病性黄斑水肿11,599张、玻璃膜疣8867张及正常图像51,390张）。经预处理后，选取633例患者的1000张图像（每类250张）作为验证集，其余4686例患者的图像作为训练集。采用ImageNet预训练的VGG-16网络进行深度迁移学习微调，在验证集评估性能，计算预测准确率、灵敏度、特异度及受试者工作特征曲线下面积（ROC）。 结果 实验表明该方法在视网膜OCT图像检测中表现优异：预测准确率达98.6%，灵敏度97.8%，特异度99.4%，ROC曲线下面积达100%。 结论 基于VGG-16网络的深度迁移学习方法在小样本视网膜OCT图像分类中效果显著，可为医疗决策提供辅助支持，其性能堪比资深临床专家，有望广泛应用于常见视网膜疾病的自动诊断与分类。