编者按:随着我国人口老龄化程度逐渐加深,青光眼的患病率逐年递增,其防治工作已成为我国重要的公共卫生问题。近年来,人工智能(AI)在医学领域的应用越来越广泛,也为青光眼的早期筛查提供了有力协助。在AGS 2024会上,多名学者分享了人工智能在青光眼诊疗中应用的相关研究结果,为眼科医师拓宽了诊疗思路。
使用深度学习预测视网膜神经纤维层厚度的个性化基线
Ou Tan等人开发了一个生成式深度学习模型,为视网膜神经纤维层厚度(NFLT)提供了个性化的基线。
该研究中的受试者由香港家庭队列中选择,该队列是来自于香港不同地区的大量随机样本,受试者均经谱域相干光断层扫描(OCT)测量视乳头周围NFLT。为了给每只眼创建自定义的正常参考,研究者训练了一个生成式深度学习模型(条件变分自动编码器),以基于同一OCT扫描上捕获的血管模式重建NFLT轮廓。该模型还考虑了年龄、性别、轴长、等效球镜(SE)折射误差、信号强度指数和视盘面积等因素。将深度学习模型生成的个性化基线与基于群体平均值的参考文献(无论是否对眼部和人口统计学因素进行基于回归的调整)进行对比。交叉验证用于评估模型性能。
共有1152只健康眼被分为四个亚组:高度近视(SE<-6D)、低度近视(SE-6-1D)、正视(SE-1D-1D)和远视(SE>1D)。结果显示,与总体平均参考值相比,个体化基线显著降低了NFLT总体和象限平均值的预测误差,从9.0~14.3μm降至8.2~13.2μm。个体化基线也显著降低了近视组(从13.3%和27.1%降至6.7%和6.3%)和除颞侧外的象限平均值(P<0.0125)中识别异常NFLT变薄(总值)的假阳性率(P<0.001)。NFLT曲线分析表明,与总体平均值和回归调整参考值相比,个体化基线显著降低了弓形束周围的预测误差。
研究结论:生成式深度学习方法可以通过考虑与血管和视盘解剖结构、轴向屈光不正和人口统计因素相关的正常个体间变化来提高青光眼诊断的准确性。
讲题:Estimating Individualized Baseline for Retinal Nerve Fiber Layer Thickness Using Deep Learning
作者:Ou Tan,David Huang,Keke Liu,Aiyin Chen,Dongseok Choi OHSU,Ian Y.H. Wong
种族、民族和性别对青光眼人工智能模型公平性的影响
Sophia Wang等人开展研究探讨了AI模型预测青光眼进展的种族、民族和性别的公平性和可推广性,比较了包括或排除这些敏感属性的建模方法。
来自6个参与视力结果研究协作中心的电子健康记录数据被用于开发XGBoost模型,预测青光眼患者是否会进行青光眼手术。建模方法包括:(M1)不使用性别、种族和民族的敏感属性作为输入特征,(M2)将敏感属性作为显式输入特征,以及(M3)对敏感属性进行分层,为每个亚组训练单独的模型。来自5个地点的34747名患者的数据被用于模型训练,其余的数据保留用于验证和测试集。来自第6个地点的患者被保留为外部测试位点,以评估可推广性(N=1550)。研究者使用标准性能的指标进行评估,如受试者工作曲线下面积(AUC)和均衡比值公平性指标,该指标用于计算人群亚组之间的真阳性率和假阳性率的差距(在完全公平的模型中为0)。
结果显示,36548名患者中有6019人接受了青光眼手术。最佳AUC是通过结合敏感属性(M2/M3)的模型实现的。包含敏感属性(M2/M3)的模型在测试集上实现了更好的均衡优势。在外部测试位点上,除了种族以外,忽略敏感属性(M1)的模型具有更好的均衡优势。
研究结论:眼科医师应评估眼科机器学习算法的公平性,并仔细斟酌种族或民族等敏感属性的使用,因为它们的使用会根据部署方式对性能和公平性产生不同的影响。
讲题:The Role of Race, Ethnicity, and Gender in Fairness for Artificial Intelligence Models for Glaucoma
作者:Sophia Wang,Rohith Ravindranath,Joshua Stein
小结:AI是由机器展示的智能,深度学习是其中一个基于深度神经网络的分支,目前已有越来越多的研究将深度学习应用于青光眼诊疗的研究之中。相信随着研究的深入,AI在青光眼领域的应用会更加完善,未来能够助力眼科医师对青光眼进行更精准的早期诊断、早期识别和更优的治疗。
声明:本文仅供医疗卫生专业人士了解最新医药资讯参考使用,不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导,也不应被视为诊疗建议,如果该信息被用于资讯以外的目的,本站及作者不承担相关责任。
2 comments
条评论
Linda Gareth
2015年3月6日, 下午2:51Donec ipsum diam, pretium maecenas mollis dapibus risus. Nullam tindun pulvinar at interdum eget, suscipit eget felis. Pellentesque est faucibus tincidunt risus id interdum primis orci cubilla gravida.