机构名称：
¥ 1.0
抽象背景/糖尿病性视网膜病（DR）筛查程序的数字图像分级的目标是由于糖尿病患病率的增加而代表了一个重要的挑战。我们评估自动人工智能（AI）算法的性能，从英语糖尿病眼镜筛选计划（DESP）中分类视网膜图像，以测试阳性/技术失败与测试阴性，使用人类按照标准国家协议作为参考标准的人类分级。方法是根据标准的国家协议手动对来自三个英语DEST的连续筛选剧集进行的视网膜图像，并通过具有机器学习的软件Eyeart v2.1的自动化过程进行了分级。使用人类等级作为参考标准确定筛查性能（敏感性，特定的）和诊断准确性（95％顺式）。对引用的视网膜病（人类渐变，无法分级的，不可引用的大斑马病，中度至严重的非促销或增生性或增生性），Eyeart的结果敏感性（95％顺式）为95.7％（94.8％至96.5％）。对于轻度到中度的非增强性视网膜病，敏感性为98.3％（97.3％至98.9％），具有引用的baculopathy，100％（98.7％，100％）对中度至重度严重的非促进性性视网膜病和100％（97.9％，100％，100％，100％，100％）的敏感性。Eyeart与68％（67％至69％）的No VerinoPathy（特定峰）的人类等级达成一致，当与不可回顾的视网膜病变相结合时，特定的54.0％（53.4％至54.5％）的特异性。结论该算法在现实世界中的筛查服务中表现出对高风险视网膜病的敏感性水平，具体的特定城市可以使人类分布者的工作量减半。AI机器学习和诸如此类的深度学习算法可以提供相当于临床上的视网膜病的快速检测，尤其是在训练有素的员工队伍无法获得或需要大规模和快速结果的环境中。
Bjophthalmol-2020-316594 1..6
主要关键词
相关文件推荐
