基于眼底彩照的冠心病智能分类系统

目的:探索基于眼底彩照和人工智能构建冠心病智能诊断系统的可行性。方法:于2013—2014年收集广东省人民医院530例患者共2117张眼底彩照,其中冠心病217例共909张眼底彩照。根据患者有无冠心病的情况进行标记,使用Inception-V3深度卷积神经网络训练人工智能模型,随后使用验证数据判断模型的准确率。计算深度卷积网络模型的准确性、一致率、敏感性、特异性和受试者工作特性曲线下面积(area under the curve,AUC)。结果:在2117张眼底彩照中,1903张用于模型训练,214张用于模型的性能评估。在测试集中,该算法的准确性为98.1%,一致率为98.6%,敏感性为100.0%,特异性为96.7%,AUC为0.988(95%CI:0.974~1.000)。结论:眼底彩照联合人工智能技术可精准判定冠心病,该模型具备较高的敏感性和特异性,但须进一步增加样本量,使用大样本量数据验证该模型,排除过拟合的可能性。

人工智能初筛分流在大规模糖尿病视网膜病变筛查中的应用

目的探索人工智能(AI)初筛分流在大规模糖尿病视网膜病变(DR)筛查中的应用。方法2018年5至7月在新疆维吾尔自治区喀什市和克孜勒苏柯尔克孜自治州,8005例糖尿病患者参加了DR筛查,所有患者均行免散瞳的眼底彩照检查,每眼采集2张眼底彩照(分别以视盘和黄斑为中心)。拍照完成后,首先使用AI系统对每例患者的4张眼底彩照进行判定,如均为可分级且无DR时,直接产生AI报告,并随机抽取1/3至读片中心由眼科医师组分级以作质量控制(组A)。此外,如4张眼底彩照中,任意一张图片判别为无法分级或存在DR时,该患者的所有眼底彩照均需行人工分级(组B)。从组A和组B中分别随机抽取300例患者的眼底照片,由眼科医师组作出最终判别,确定AI和人工分级判定需转诊DR(增殖前或增殖期DR,或糖尿病黄斑水肿)的准确性。结果在8005例参加筛查的糖尿病患者中,男3220例(40.2%),女4785例(59.8%),年龄(58.3±10.6)岁。经AI初筛后,AI直接产生报告5267例(65.8%),另外2738例(34.2%)需要进行人工分级。在组A中,AI和人工判定需转诊DR的准确性和特异度均为100.0%。在组B中,AI和人工判定需转诊DR的准确性分别为75.8%和90.3%,灵敏度分别为100%和79.1%。结论在大规模的DR筛查中,使用AI作为DR的初筛手段,可在不遗漏需转诊DR病例的情况下,减少约60%的图片分级工作量。

人工智能在眼科真实临床场景的应用:机遇和挑战

人工智能在包括眼科在内的许多临床学科中已经从实验阶段快速发展到实施阶段。以数据驱动的深度学习技术为基于眼科影像数据的自动化诊断技术创造了前所未有的机会,显著提高眼科医疗系统的可及性、效率和成本效益。虽然这项技术在不久的将来,必然会对临床流程和实践模式产生深远影响,但将其转化为真实世界临床实践仍然具有挑战性。本文将在介绍这一领域的一些进展的基础上,重点总结人工智能在眼科真实医疗场景投放中的机遇和挑战,指出了其中可能会存在的一系列潜在问题,例如诊断偏差、医学伦理和法律问题、临床评价和产品注册规范性等,以期促进该技术与临床实践的结合,进一步提升眼科人工智能的应用价值。