应用人工智能识别超广角眼底照相多病种的初步研究

目的构建一个小样本超广角眼底照相(UWFI)多疾病分类人工智能模型,初步探究人工智能对UWFI多病种分类任务的能力。方法回顾性研究。2016年至2021年于武汉大学人民医院眼科就诊并行UWFI检查的1123例患者的1608张图像用于UWFI多疾病分类人工智能模型构建。其中,糖尿病视网膜病变(DR)、视网膜静脉阻塞(RVO)、病理性近视(PM)、视网膜脱离(RD)、正常眼底图像分别为320、330、319、268、371张。来自天津医科大学眼科医院106例患者的135张图像作为外部测试集。选取EfficientNet-B7作为主干网络,对纳入的UWFI图像进行分类分析。使用受试者工作特征曲线及曲线下面积(AUC)、灵敏度、特异性、准确率评估分类模型在测试集上的表现,所有数据均使用数值及95%可信区间(CI)表达。将数据集在网络模型ResNet50、ResNet101上进行训练,并在外部测试集上进行测试,对比观察EfficientNet与上述两种模型的性能。结果UWFI多疾病分类人工智能模型在内部、外部测试集上的总分类准确率分别为92.57%(95%CI 91.13%~92.92%)、88.89%(95%CI 88.11%~90.02%)。其中,正常眼底分别为96.62%、92.59%,DR分别为95.95%、95.56%,RVO分别为96.62%、98.52%,PM分别为98.65%、97.04%,RD分别为97.30%、94.07%。在内部、外部测试集上的平均AUC分别为0.993、0.983。其中,正常眼底分别为0.994、0.939,DR分别为0.999、0.995,RVO分别为0.985、1.000,PM分别为0.991、0.993,RD分别为0.995、0.990。内部、外部测试集上EfficientNet性能均较ResNet50、ResNet101模型更佳。结论初步构建的小样本UWFI多疾病分类人工智能模型对常见眼底疾病的分类水平较高,可能具有辅助临床筛查及诊断的价值。