论文部分内容阅读
目的：研究开发基于深度学习的斜视图片自动识别算法，评估深度学习算法在自动识别斜视图片及正常图片的临床检验效能。
方法：本研究为诊断性研究。从2019年1月至3月汕头大学·香港中文大学联合汕头国际眼科中心第一诊断为共同性水平斜视患者133人，斜视图片133张；正常志愿者144人，正常图片144张。研究算法使用谷歌的开源机器学习框架Tensorflow和Keras构建。研究应用两个卷积神经网络，首先使用Faster-RCNN对眼部区域的定位，并把定位框内图像裁剪得到眼部区域图像，输入到第二个卷积神经网络Inception-V3中，判断图片是否属于斜视。训练后进行测试，并与3名眼科住院医生使用相同的标准独立地对每个测试图像做出诊断进行对比。采用准确性、灵敏性、特异性来评估该算法的性能以及眼科医生的诊断效能，通过灵敏性及特异性绘制ROC曲线，计算ROC曲线下面积（AUC）及AUC的95%可信区间。
结果：采用2019年1月至3月汕头国际眼科中心斜视患者133人，斜视图片133张，正常图片144张作为测试集。模型的准确性为0.968，特异性为0.993，灵敏度为0.940，AUC为0.993（95%可信区间为0.981—1.000），优于三名眼科医生诊断的准确性（0.809—0.848）、特异性（0.778—0.868）、灵敏度（0.820—0.842）。
结论：深度学习算法用于检测斜视与非斜视图片具有高准确性、高灵敏性、高特异性等优点，且表现优于具有基本临床经验的眼科医生。
方法：本研究为诊断性研究。从2019年1月至3月汕头大学·香港中文大学联合汕头国际眼科中心第一诊断为共同性水平斜视患者133人，斜视图片133张；正常志愿者144人，正常图片144张。研究算法使用谷歌的开源机器学习框架Tensorflow和Keras构建。研究应用两个卷积神经网络，首先使用Faster-RCNN对眼部区域的定位，并把定位框内图像裁剪得到眼部区域图像，输入到第二个卷积神经网络Inception-V3中，判断图片是否属于斜视。训练后进行测试，并与3名眼科住院医生使用相同的标准独立地对每个测试图像做出诊断进行对比。采用准确性、灵敏性、特异性来评估该算法的性能以及眼科医生的诊断效能，通过灵敏性及特异性绘制ROC曲线，计算ROC曲线下面积（AUC）及AUC的95%可信区间。
结果：采用2019年1月至3月汕头国际眼科中心斜视患者133人，斜视图片133张，正常图片144张作为测试集。模型的准确性为0.968，特异性为0.993，灵敏度为0.940，AUC为0.993（95%可信区间为0.981—1.000），优于三名眼科医生诊断的准确性（0.809—0.848）、特异性（0.778—0.868）、灵敏度（0.820—0.842）。
结论：深度学习算法用于检测斜视与非斜视图片具有高准确性、高灵敏性、高特异性等优点，且表现优于具有基本临床经验的眼科医生。