论文部分内容阅读
目的：
采用深度学习模型对彩色眼底图像中的玻璃膜疣进行自动判读，并进一步探讨屈光不正与玻璃膜疣的相关关系。
方法：病例对照研究。选取2017年1─12月在宁波市医疗中心李惠利医院行健康体检且年龄大于50岁的参与者，共1 035例（2 055眼）的彩色眼底图像，使用DeepSeeNet深度学习模型对彩色眼底图像进行自动分析判读，按玻璃膜疣大小进行分组。同时随机选择392张（19.1%）彩色眼底图像采用人工阅片方法对玻璃膜疣大小进行判读，采用Cohen's Kappa检验比较2种判读方法的一致性。根据电脑验光数据计算等效球镜度（SE），并分为中重度远视（>+3.0 D）、轻度远视（+0.51～+3.0 D）、正视（-0.5～+0.5 D）、轻度近视（-3.0～-0.51 D）、中重度近视（<-3.0 D）。应用Logistic回归模型进行屈光不正与玻璃膜疣的相关性分析。
结果：深度学习模型对玻璃膜疣大小判读与人工阅片结果具有高度一致性（κ＝0.67，P<0.001）。在矫正性别、年龄等因素后，SE向正方向增加与大玻璃膜疣发生风险相关（OR=1.03，95%CI：1.01～1.04，P<0.001）。中高度近视为玻璃膜疣的保护因素，与正视者相比，中重度近视者发生大玻璃膜疣的风险为0.89（95%CI：0.82～0.97）；相反，中高度远视为危险因素，与正视者相比其发生大玻璃膜疣的风险为1.20（95%CI：1.03～1.39）。
结论：屈光不正与玻璃膜疣的发生相关。深度学习作为一种新型技术，除了可以增强医师临床诊断的速度和精准性，同样可以为年龄相关性黄斑变性相关的科研提供线索。