论文部分内容阅读
目的
探讨一种基于深层卷积神经网络的眼科B型超声图像诊断系统的临床应用价值。
方法收集2018年1月至2020年10月于武汉大学人民医院眼科中心进行眼科B型超声检查的1 278例受试者3 600张B型超声图像，以此构建图像数据集，由3位资深专业眼科医师对图像进行标记。将数据集分为训练集2 812张图像和测试集788张图像，采用深度学习算法构建诊断模型，检测模型识别视网膜脱离(RD)、玻璃体积血(VH)及玻璃体后脱离(PVD)的准确性。选取120张独立于数据库的B型超声图像，由3位高年资眼科超声医生进行评估并记录评估时间，并与模型评估结果进行对比分析。另选取8位低年资临床医生模型辅助前后分别对独立于数据库的另外150张眼科B型超声图像进行评估，对2次评估结果进行差异分析以评估模型辅助效果。
结果本诊断模型识别正常眼、RD、VH、PVD以及其他疾病的准确度分别为0.954、0.909、0.881、0.990和0.920。人机对比中，模型识别各类眼底疾病的准确度与高年资医师相近，评估图像的时间约为高年资医生的1/2。经模型辅助后，8位低年资医师诊断准确度均有显著提升(P<0.01)。
结论该智能评估模型诊断RD、VH、PVD的准确度较高，并能提高临床诊断效率，较好地辅助临床医生进行评估。