当前位置：文档之家 › 基于深度学习的早产儿视网膜病变的临床辅助诊断

基于深度学习的早产儿视网膜病变的临床辅助诊断

  • 格式：pdf
  • 大小：931.32 KB
  • 文档页数：5

中华实验眼科杂志 2019

年 8

月第 37

卷第 8

期 Chin J Exp Ophthalmol, August 2019, Vol. 37 ,No. 8

• 647

・

•临床研究•

基于深度学习的早产儿视网膜病变的

临床辅助诊断

童妍卢苇徐阳涛李莹王晓玲陈长征沈吟

武汉大学人民医院眼科中心430060

通信作者：

沈吟,Email: yinshen@ whu. edu. cn

【摘要】目的 提出一种基于深度学习的早产儿视网膜病变

(ROP)智能辅助诊断系统,并评估其在临

床上的应用价值。方法 采集武汉大学人民医院眼科中心

2009年

7月至

2016年

12月行早产儿眼底筛査

的

38 895张图像构建眼底图像大规模数据集，由

10名眼科医生进行标注，建立深度学习网络，通过对模型的

训练实现

ROP的自动诊断,评估该算法自动筛査

ROP分期、分区及附加病变的性能和准确率。结果 深度

学习智能诊断系统对

ROP分期及其附加病变、视盘、黄斑及激光治疗瘢痕检测的平均准确率为

0. 931 ；其中检

测分界线(

I期)准确率为

0. 876,视网膜

Il#

(n期)为

0.942,膜蜡伴血管扩张(

HI期)为

0. 968

；视网膜不完全

脱离

(IV期)为

0.998,视网膜完全脱离

(V期)为

0 999

；血管迂曲扩张(附加病变)为

0.896,视盘为

0.954,黄

斑为

0. 781,激光治疗瘢痕为

0.974。结论 基于深度学习算法的

ROP的疾病分期和附加病变的诊断准确

率高,可用于

ROP的临床辅助诊断和筛査。

【关键词】 人工智能；深度学习；早产儿视网膜病变；辅助诊断

基金项目：国家重点研发计划“政府间国际科技创新合作/港澳台科技创新合作”重点专项项目

(2017YFE0103400)

D01:10. 3760/cma.j. issn. 2095-0160.2019.08.011

Automated assisted clinical diagnosis of retinopathy of prematurity based on deep learning

Tong Yan,Lu Wei,Xu Yangtao,Li Ying, Wang Xiaoling, Chen Changzheng,Shen Yin

Eye Center, Renmin Hospital of Wuhan University, Wuhan 430060, China

Corresponding author: Shen Yin, Email: yinshen@whu. edu. cn

[Abstract] Objective

To evaluate the application value of an intelligent fundus assisted diagnosis system for

detecting retinopathy of prematurity ( ROP) based on deep learning. Methods

A total of 38 895 fundus images for

premature infants screening were collected from Renmin Hospital of Wuhan University Eye Center and were labeled by

10 licensed ophthalmologists. A deep learning network model was established to acquire automatic classification of

disease stages and plus disease. The accuracy, sensitivity and specificity of the algorithm were calculated to evaluate

the performance of the artificial intelligence system for ROP automatic diagnosis. This study protocol was approved by

Ethic Committee of Renmin Hospital of Wuhan University ( No. WDRY2019-K032 ). Written informed consent was

obtained from the guardians of the children before entering the study cohort. Results

The intelligent system

achieved an accuracy of 0. 931. Specifically, the accuracies in detecting demarcation line ( stage I ) was 0. 876 , ridge

(stage II ) was 0. 942, ridge with extra retinal fibrovascular ( stage 皿)

was 0. 968 , subtotal retinal detachment ( stage

IV ) was 0. 998, total retinal detachment ( stage V ) was 0. 999 , vascular tortuosity and dilatation ( plus disease) was

0. 896 , optic disc was 0. 954, macular was 0. 781, and laser scars were 0. 974, respectively. Conclusions

Deep

learning algorithm can detect the stages and plus disease of ROP with excellent accuracy, and it provides the feasibility

of applying the algorithm for ROP automated screening in clinical.

[Key words ]

Artificial intelligence

； Deep learning

； Retinopathy of prematurity

； Assisted diagnosis

Fund Program:

International Science & Technology Cooperation Program of China (2017 YFE0103400)

DOI: 10. 3760/cma. j. issn. 2095-0160.2019.08.011

早产儿视网膜病变（retinopathy of prematurity,

早产儿及低出生体质量新生儿的存活率不断提高，

R0P）

是世界首位儿童不可逆性致盲眼病口勺。随着 R0P

的发生率也随之升高。R0P

发病隐匿，

呈进行性• 648 -中华实验眼科杂志 2019

年 8

月第 37

卷第 8

期 Chin J Exp Ophthalmol, August 2019, Vol. 37 , No. 8

发展⑷，如果诊断和治疗及时，可通过激光光凝或手

术治疗。因此，做好ROP

筛查工作，发现阈值病变并

及时转诊或治疗对挽救患儿的视功能十分重要。广域

数字化视网膜摄像系统可观察并记录视网膜图像，是

ROP

综合诊断的重要依据，但ROP

病变复杂多样，人

工诊断需要眼科医生有丰富的先验知识，优秀的眼科

医生培养周期长，即使在不同的专家间也可能存在

ROP

诊断结果的不一致性亠旳。此外，如视网膜周边

部图像不够清晰、色泽黯淡，细微结构难以辨认等，也

会使得诊断费时费力，造成漏诊和误诊率高。近年来，

作为人工智能（artificial intelligence, AI）

的分支，深度

学习技术在图像分类、目标检测等领域发展迅速，取得

了显著成果炉"。深度学习技术可通过卷积神经网络

（convolutional neural network, CNN）

自动学习图像特

征，发现数据内在规律，最终输出图片分类或预测结

果。由于深度学习网络需在训练过程中调整数百万个

参数，故训练数据集越大，模型输出结果的精度越高。

在医学领域，深度学习已被广泛应用于皮肤癌、肺癌、

胶质瘤、糖尿病视网膜病变和青光眼等疾病的自动辅

助诊断&⑷，大大提高了医生对疾病的诊断效率。

Faster-RCNN

模型是目前基于深度学习的先进的目标

检测方法,对于图像分类和图像定位具有较高准确度

和特异性刚。本研究中基于Faster-RCNN

深度学习

技术建立了 ROP

智能诊断方法，利用AI

目标检测模

型在ROP

影像上查找各阶段病灶的位置,并根据病灶

对应的分期和分区确定疾病的严重程度，为临床辅助

诊断提供依据。

1资料与方法表1

早产儿眼底筛查一般资料

性别例数图片数量（张）出生孕龄（周）

出生体质量

（g）

男1 42620 11626-36980-1 950

女1 32718 77926-36950-1 900

总数2 75338 89526-36950-1 950

ROP

筛查的全部彩色眼底照片首先由专业眼科

医生进行图片初筛，共剔除2 664

张不合格图像，包括

漏光、拍摄模糊、曝光不足等所致的低质量图片。7

名

眼科专家用标注工具对剩下的36 231

张图片进行标

注，并由3

位资深视网膜专家对标注结果进行确认或

修正。本研究运用Python

内置标准random

模块算法

生成随机数，在疾病分类比例一致的前提下，将数据集

随机分为包含26 459

张图片的训练集和9 772

张图片的

测试集（表2）,

训练集用于开发深度学习模型并调整

其内部参数,测试集用于最终评估模型的诊断准确率。

研究流程见图1

。

表2

训练集及测试集图片数量分布

分类分期训练集测试集

分界线

I

期1 687377

视网膜睹

II

期26377

膜睹伴血管扩张

HI

期17948

视网膜部分脱离

N

期4513

视网膜完全脱离

V

期104

附加病变2 745261

视盘12 3835 278

黄斑8 4553 568

激光治疗瘢痕692146

总数26 4599 772

11 一般资料

回顾性分析2009

年7

月至2016

年12

月

于武汉大学人民医院眼

科中心筛查的孕龄不足

36

周或体质量不足

2 000 g

的2 753

例早产

儿，对其视网膜病变进

行筛查。采集ROP

筛

查眼底图像共38 895

张38 895

张眼底图像一剔除2 664

张低质量图像一►

共纳人36 231

张图片

评价抬标:准确度、灵敏度、特异性

图1

研究流程图示意图专家标注

厂

、

训练集（“26 459

）测试集（n=9 772

）

（表1）,

删除所有参与患者的敏感信息并确保其个人

信息匿名和保密。本研究经武汉大学人民医院伦理委

员会批准（批文号:WDRY2019-K032）

，经患儿监护人

合集下载

早产儿视网膜病变的危险因素分析及Nomogram_预测模型的构建

早产儿视网膜病变的危险因素分析及Nomogram_预测模型的构建

Advances in Clinical Medicine 临床医学进展, 2023, 13(7), 11836-11846

Published Online July 2023 in Hans. https:///journal/acm https:///10.12677/acm.2023.1371658

文章引用: 蒋韵红, 路玲, 郭立珍, 崔凤静, 刘冬云. 早产儿视网膜病变的危险因素分析及Nomogram预测模型的构

建[J]. 临床医学进展, 2023, 13(7): 11836-11846. DOI: 10.12677/acm.2023.1371658

早产儿视网膜病变的危险因素分析及

Nomogram预测模型的构建

蒋韵红1,2，路 玲2，郭立珍1,2，崔凤静2，刘冬云2*

1青岛大学医学部，山东 青岛

2青岛大学附属医院儿童医学中心，山东 青岛

收稿日期：2023年6月25日；录用日期：2023年7月19日；发布日期：2023年7月26日 摘 要

目的：早产儿视网膜病变(ROP)是一种早产儿较常见的视网膜神经血管性疾病，可导致儿童视力缺陷甚

至失明。本研究的目的是利用产妇和新生儿的临床参数建立早产儿ROP的预测模型，为ROP早期干预提

供临床依据。方法：该单中心回顾性研究共纳入309例早产儿，收集人口统计学及临床资料。应用LASSO

回归分析筛选变量，多变量logistic回归分析构建nomogram模型。通过计算曲线下面积(AUC)来确定模

型的判别能力，Hosmer-Lemeshow检验校正模型，决策曲线分析(DCA)评估模型的临床效益性。结果：

通过LASSO分析确定的预测因素为输血≥3次、吸氧≥2周、FiO2 ≥ 0.3使用24 h以上、出生胎龄、出生体

重和生后体重增加率。训练集(n = 216)建立的nomogram预测模型的AUC为0.859，HL P = 0.3803；在

基于机器学习的视网膜图像识别模型设计

基于机器学习的视网膜图像识别模型设计

基于机器学习的视网膜图像识别模型设计

作者：张贵英 张俊飞

来源：《电脑知识与技术》2020年第27期

摘要：早产儿视网膜病变是小儿致盲的主要原因之一，发病率在我国呈持续上升的趋势。人工诊断存在费时费力，依靠医生经验等不足。针对此，提出了基于机器学习的视网膜图像识别模型，首先基于原始图像，借助图像处理、传统机器学习方法和对抗生成网络技术得到生成图像，然后基于这些图像和原始图像，提取其特征，最后对级联后的特征进行分类。该模型有望为早产儿视网膜病变的自动筛查系统提供技术支持。

关键词：视网膜图像;自动识别;模型设计

中图分类号：TP181 文献标识码：A

文章编号：1009-3044（2020）28-0176-02

开放科学（资源服务）标a码（OSID）：

1 引言

早产儿视网膜病变（ Retinopathy of Prematurity，ROP）曾称为Terry综合征或晶状体后纤维增生症，最早由Terry在1942年发现[1]。孕期34周以下，出生体重小于1500、出生后吸氧史，发病率约为60%，孕期更短或更低出生体重者，发生率可达66%- 82%。由于ROP可致盲，早在1984年到1987年，由国际组织ROP专家建立了详细的病变分类标准，以促进临床治疗。指出了ROP发生的部位分为3个区域，并将病变的严重程度分为5期，图1为正常和ROP3期图像示例。另外，需要注意的是Plus疾病：即后极部视网膜血管迁曲怒张，表明ROP处于迅速进展期。ROP最早出现在矫正胎龄32周，阈值病变大约出现在矫正胎龄37周，早期筛查和治疗可以阻止病变的发展。

目前，眼科医生通过数字视网膜照相机（如RetCam3）获取早产儿视网膜眼底图像，然后人工诊断有无病变及分级，这种方式面临几个问题。首先，ROP需要通过开展大规模的眼底普查，对潜在眼底病患者进行定期的眼底视网膜检查。然而，由于眼底病潜在患者数量较大，眼科专家人工检查工作开展较为困难，尤其在中国和印度这样人口众多的国家。其次，ROP的分类标准是定性而不是定量的，对于同一个患者，不同的眼科专家可能给出不同的诊断结果。再者，通过人工观察眼底视网膜图像，专家会存在视觉疲劳等情况，此时可能会误诊疾病。ROP-旦发生，进展很快，可有效治疗的时间窗口很窄，早期诊断和及时治疗可以有效地减少不良后果和视力丧失。因此，为了提高眼底病诊断效率和精度，应推进大规模眼底病变自动识别技术，以实现眼底病的早期防治。

基于深度学习的糖尿病视网膜病变检测研究

基于深度学习的糖尿病视网膜病变检测研究

基于深度学习的糖尿病视网膜病变检测研究

糖尿病是一种慢性代谢性疾病，而糖尿病视网膜病变是其最常见和最严重的并发症之一。早期识别和及时治疗糖尿病视网膜病变对于预防视力丧失至关重要。然而，传统的糖尿病视网膜病变诊断方法需要专业医生的参与和大量的人工判断，耗时且易受主观因素干扰。近年来，基于深度学习的糖尿病视网膜病变检测研究应用广泛，并取得了令人鼓舞的成果。

深度学习是一种机器学习的分支，通过神经网络模拟人脑的工作方式来进行模式识别和学习。随着计算能力和数据量的不断增加，深度学习在医学领域的应用日益普及。在糖尿病视网膜病变检测中，深度学习技术可以自动从大量的眼底图像中提取特征，并辅助医生进行准确诊断。

深度学习算法主要分为卷积神经网络（CNN）和循环神经网络（RNN）两种常见架构。CNN适用于图像处理任务，可以有效提取图像中的特征。而RNN则适用于序列数据处理，可以捕捉时间上的依赖关系。在糖尿病视网膜病变检测中，常用的架构是基于CNN的卷积神经网络。 研究人员通常使用大规模的眼底图像数据库作为训练集，通过深度学习算法对这些图像进行训练，使得算法能够自动识别不同类型的糖尿病视网膜病变。在训练过程中，研究人员会标注图像中病变的位置和类型，以增加算法对病变的准确识别能力。训练完成后，算法可以自动识别眼底图像中的糖尿病视网膜病变，并给出相应的诊断结果。

深度学习在糖尿病视网膜病变检测中具有许多优势。首先，深度学习算法能够处理大量的眼底图像数据，从而获得更准确的诊断结果。其次，深度学习算法可以实现快速自动化的病变检测，大大缩短了诊断时间。第三，深度学习算法具有良好的泛化能力，即使在不同医学中心收集的图像上，算法的性能也能保持稳定。

然而，深度学习算法在糖尿病视网膜病变检测中仍面临一些挑战。首先，图像标注过程中的标签准确性和一致性对算法的影响较大，误标注可能导致算法的错误识别。其次，缺乏高质量的标注数据集也是一个问题，很多数据集中的图像并没有准确的标注，这使得算法的训练更具挑战性。此外，深度学习算法在训练需要大量的计算资源，这也限制了其在一些医疗设备上实时应用的可能性。

基于深度学习和图像处理的眼底病变诊断技术研究

基于深度学习和图像处理的眼底病变诊断技术研究

基于深度学习和图像处理的眼底病变诊断技术研究

眼底病变是眼科领域的重要疾病，它会引起视力下降、失明等严重问题。因此，如何准确、快速地诊断出眼底病变成为了眼科医生们的重要使命。随着深度学习和图像处理技术的不断发展，越来越多的研究者开始探索基于深度学习和图像处理的眼底病变诊断技术。本文将深入探讨这方面的研究进展和未来发展趋势。

一、眼底病变诊断技术发展历程

人类眼睛是一个非常复杂的器官，它由许多组成部分组成，其中包含了血管、视网膜等。眼底病变可以发生在这些组成部分的任何一个地方，如血管炎、视网膜色素变性等。早期的眼底病变诊断技术主要依靠医生的肉眼观察，但这种方式存在不准确性、耗时长、工作人员不足等问题。

随着计算机技术的进步，眼底病变诊断技术开始向自动化方向发展。早期的算法主要基于图像分割、特征提取等技术。这些算法能够提取眼底图像中的特征，例如血管弯曲度、颜色、纹理等。然而，这种方法存在很多局限性，如要求对图像有深入了解的医学专业人士进行分类判定，检测结果较为单一等。

近年来，深度学习和图像处理技术的兴起提供了全新的思路。深度学习是一种基于神经网络的机器学习技术，它可以学习大量的数据，并从中发现模式。通过深度学习技术，医生可以将眼底图像传输到计算机中进行分析和诊断，这能有效地缩短诊断时间、提高准确性。

二、基于深度学习和图像处理的眼底病变诊断技术的优势

与传统的眼底病变诊断技术相比，基于深度学习和图像处理的眼底病变诊断技术具有如下优势： 1.自动化：该技术能够自动地对眼底图像进行分类和判定，不需要人工干预，减少了人为误差。

2.快速性：该技术处理速度快、准确率高，可以快速进行大量数据处理，提高了效率。

3.增加了诊断的可靠性：该技术检测出各种可能的病变，给临床医生提供了更准确的预测和治疗方案。

4.数据的大规模分析。基于现有数据技术的深度学习模型有能力挖掘和分析巨量的数据。这样，研究者（医生、科学家）可以更全面的研究某类疾病在患者中的分布情况，更好地了解疾病的发病机制等。