医学安全与全球健康
开放获取

抽象的

眼科人工智能：视网膜血管分割深度学习模型的荟萃分析

塔米娜·纳斯林·保利

背景和目的：准确的视网膜血管分割通常被认为是诊断和筛查各种疾病的可靠生物标志物，包括心血管疾病、糖尿病和眼科疾病。最近，深度学习 (DL) 算法在分割视网膜图像方面表现出了高性能，可以实现快速且挽救生命的诊断。据我们所知，目前该研究领域的工作还没有系统回顾。因此，我们对相关研究进行了系统综述和荟萃分析，以量化 DL 算法在视网膜血管分割中的性能。方法：在 EMBASE、PubMed、Google Scholar、Scopus 和 Web of Science 上对 2000 年 1 月 1 日至 2020 年 1 月 15 日期间发表的研究进行系统检索。我们遵循系统评价和荟萃分析的首选报告项目 (PRISMA) 程序。基于深度学习的研究设计对于纳入研究是强制性的。两位作者根据预定义的纳入和排除标准独立筛选了所有标题和摘要。我们使用诊断准确性研究质量评估 (QUADAS-2) 工具来评估偏倚风险和适用性。结果：31项研究纳入系统评价；然而，只有 23 项研究符合荟萃分析的纳入标准。DL 在四个公开可用的数据库中表现出高性能，在 DRIVE、STARE、CHASE_DB1 和 HRF 数据库上的 ROC 下的平均面积分别为 0.96、0.97、0.96 和 0.94。DRIVE、STARE、CHASE_DB1 和 HRF 数据库的汇总敏感度为 0.77、0.79、0.78 和 0.81，分别。此外，DRIVE、STARE、CHASE_DB1 和 HRF 数据库的汇总特异性分别为 0.97、0.97、0.97 和 0.92。结论：我们的研究结果表明深度学习算法对于从数字眼底图像中分割视网膜血管具有很高的灵敏度和特异性。深度学习算法在视网膜血管分割中的未来作用是有前景的，特别是对于那些医疗保健机会有限的国家。为了评估全球范围内基于深度学习的视网膜疾病筛查工具的成本效益，必须进行更多的压缩研究和全球努力。我们的研究结果表明，深度学习算法对于从数字眼底图像中分割视网膜血管具有很高的灵敏度和特异性。深度学习算法在视网膜血管分割中的未来作用是有前景的，特别是对于那些医疗保健机会有限的国家。为了评估全球范围内基于深度学习的视网膜疾病筛查工具的成本效益，必须进行更多的压缩研究和全球努力。我们的研究结果表明，深度学习算法对于从数字眼底图像中分割视网膜血管具有很高的灵敏度和特异性。深度学习算法在视网膜血管分割中的未来作用是有前景的，特别是对于那些医疗保健机会有限的国家。为了评估全球范围内基于深度学习的视网膜疾病筛查工具的成本效益，必须进行更多的压缩研究和全球努力。