编者按:人工智能(AI)在眼科领域的应用已经成为该领域的重要变革力量,它通过引入先进的技术手段,极大地提升了眼科疾病的诊断、治疗和研究效率。早产儿视网膜病变( retinopathy of prematurity,ROP) 是全球儿童致盲的主要原因,早期筛查和定期随访可以预防该病导致严重视功能损害,被世界卫生组织归类为新生儿可避免盲的防治目标。当AI遇到ROP,会碰撞出什么样的火花?在中华医学会第二十八次眼科学术大会(CCOS2024)上,四川大学华西医院陆方教授团队刘睿医师报告了一项关于AI在筛查早产儿视网膜病变中的应用与表现的临床研究,为临床带来一定的启示。
研究方法
本研究纳入了2018年至2024年之间发表的,以眼科专家的判断作为参考标准,评估AI筛查诊断ROP表现的研究;使用QUADAS-2工具评估偏倚风险,进一步使用数据合并、森林图构建、异质性检验和Meta回归进行统计分析。
研究结果
⑴筛选后纳入了186 项研究中的 14 项。
⑵AI诊断 ROP 的合并敏感度、特异度和曲线下面积 (AUC) 分别为 0.95 (95% CI 0.93-0.96),0.97 (95% CI 0.94-0.98) 和 0.97 (95% CI 0.95-0.98)。
⑶AI区分 ROP plus病变的合并敏感度、特异度和 AUC 分别为 0.92 (95% CI 0.80-0.97),0.95 (95% CI 0.91-0.97) 和 0.98 (95% CI 0.96-0.99)。
Cochran’s Q 检验 (P<0.01) 和 Higgins I2显示相当大的异质性。
⑷Meta回归分析发现,研究国家、中心数量、数据来源和医生数量是造成异质性的原因。
⑸对于 ROP 诊断,在中国使用少于 3 名医生的单个中心医院来源的数据进行的研究显示出更高的敏感度和特异度。针对筛查plus病变的研究,在少于 3 名医生的多个中心进行的研究则显示出更高的敏感度。
图1. AI在ROP (a)和Plus (b) 病变诊断汇总的敏感性和特异性的合并森林图
图2. AI对ROP (a) 和Plus (b) 病变诊断性能的ROC曲线
研究启示
AI显著增强了ROP的筛查和诊断过程。在本研究中,我们重点介绍了 AI 在检测 ROP 和区分 ROP Plus病变方面的应用和性能。然而,我们注意到,所纳入的研究有显著的异质性,表明AI在现实世界中应用于ROP诊断存在挑战,需要更多的研究克服异质性,从而充分利用AI在ROP筛查诊断的潜力。
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.