人工智能辅助诊断早产儿视网膜病变应用指南(2023).pdf
《人工智能辅助诊断早产儿视网膜病变应用指南(2023).pdf》由会员分享,可在线阅读,更多相关《人工智能辅助诊断早产儿视网膜病变应用指南(2023).pdf(7页珍藏版)》请在咨信网上搜索。
1、随着社会的发展,越来越多的早产儿得到了有效救治,但同时也导致早产儿视网膜病变()的发生率增加。起病急、进展快,有效治疗时间窗口窄,因此早期筛查和诊断对于 的有效治疗至关重要。人工智能技术的快速发展推动了医疗保健系统智能化进程,机器学习和深度学习等技术的不断提高使得人工智能在眼底疾病的诊断方面的运用也日益广泛。人工智能在 辅助诊断中的研究颇多,并取得了一系列的应用进展。本文就人工智能辅助诊断 的应用形成指南,为人工智能在该领域中的进一步研究和应用提供参考。【关键词】人工智能;早产儿视网膜病变;机器学习;深度学习;卷积神经网络【中图分类号】早产儿视网膜病变()是全球范围内一个重要的眼科问题,可能导
2、致儿童失明 ,社会的发展使年龄更小和出生体重更低的早产儿得到了有效救治,从而使得面临 风险的患儿数量不断增加。此外,一些高收入国家面临着疾病筛查的重负,例如在英国,平均每 名接受检查的婴儿就会发现 名需要给予治疗。在一些眼科医生短缺的地区,对每一名高危患儿直接进行床边检查的模式可能并不可行。另外,的临床诊断具有主观性,同一患儿不同检查者之间的判断结果存在较大差异 ,这也可能导致相应的治疗方案的明显差异 。因此,迫切需要寻找快速、灵敏、客观、规范并且适宜推广的 筛查方法。目前,越来越多的眼科医生利用彩色眼底照相系统对 进行记录和远程在线诊断,这极大地促进了基于计算机的图像分析()在 中的应用。与
3、人类相比,计算机的优势在于不易疲劳以及避免一些主观因素对 严重程度评估造成的影响。此外,利用 的方法可以使一些技术人员、辅助医疗保健人员甚至新生儿医生进行 筛查和判断,而无须眼科医生实时参与。作为筛查系统的一部分,计算机辅助诊断可以平衡检查灵敏度最大化和眼科医生所需时间最小化之间的关系。目前人工智能已经在计算机辅助诊断中得到应用 ,本指南分析并总结了人工智能在 中的应用,提出相关工作者可能面临的挑战,并提供可参考的应对策略。计算机辅助诊断 的临床诊断目前 的诊断标准是根据 年出版的 国际分类()确定的,该分类标准于 年进行了修订 。随后的临床研究,如 的冷冻治疗和 的早期治疗()眼 科新进展
4、年 月第 卷第 期 :研究,建立了基于证据的疾病筛查标准,并证明了 病变的重要性,该病变是血管扩张和扭曲的衡量标准。病变的定义是眼底后极部出现明显的视网膜动脉迂曲和静脉扩张 ,而“”则于 年加入到 分类中,其定义是较异常的动脉迂曲和静脉扩张,但严重程度尚未达到 病变。由于机器学习检测在 方面的应用有检测、分级,其检测和分级得到的结果和不同专家诊断 的结果存在明显差异,因此,制定对 中血管严重程度量表的验证标准也是一大难点。但随着机器学习在 自动化诊断应用中的发展,未来会在更大范围内解决 筛查的障碍,因此,可进一步深入基于机器学习的 血管严重程度量化的研究。的相关特征 的典型特征为视网膜因缺血缺
5、氧进而刺激新生血管形成、玻璃体视网膜增殖,严重者可造成视网膜脱离等,最终导致视功能的丧失。进展快,预防以及早期诊断尤为重要。病变在需要治疗的 诊断中具有重要意义。的早期治疗研究发现,基于证据的诊断标准明显优于主观诊断,且能够显著改善 早期诊断的准确性 。因此,将视网膜血管扩张和扭曲作为活动性 的指标。这意味着当发现动脉迂曲和静脉扩张等 病变时,医生更倾向于进行早期治疗,以防止疾病进展和产生严重后果。通过依据血管扩张和扭曲的指标进行诊断,可以提供更客观、准确的依据,从而改善 的管理和治疗效果。传统机器学习辅助诊断 传统的机器学习方法包括以下步骤:第一,定义目标疾病的特异性特征,例如血管扩张、扭曲
6、和嵴的存在;第二,使用特征提取算法计算目标疾病的特征;第三,在统一指标(如灵敏度、特异度等)的前提下,训练分类以优化给定的真值指标,确定特征与诊断之间的关系;第四,测试系统对之前没出现过的数据的应答。系统性能可能会受到这些步骤中的任何一个的影响,例如缺乏标准量化特征的方法,训练数据中不充分学习或过拟合的分类器,以及噪声过多或缺乏泛化的基准值指标;设备以及操作人员的差异等。目前缺少以金标准为评估指标的高质量数据集。早期用于 诊断的 系统使用传统机器学习方法,根据彩色眼底照相中血管直径和弯曲度计算眼底照相的特征。使用各种数字化方法来量化血管弯曲度的数字学方法已经被使用,包括长度 、曲率 、角度 和
7、空间频率 的测量,但是这些并不完全与临床对弯曲度的感知相一致 。这些早期算法的一个主要障碍是血管分割的准确性,需要耗费时间的人工输入来精确描绘眼底后极部血管,或使用形态学预处理进行半自动血管分割 。总体而言,这些系统或者过于繁琐,或者没有足够的诊断性能,无法在临床真正实施。深度学习辅助诊断 在过去的 年中,我们目睹了从特征提取机器学习方法到“深度学习”的巨大转变,其中卷积神经网络()起了重要作用。与早期的机器学习方法不同,深度学习分类机器能够在没有被明确指示关注哪些特征的情况下进行学习 。最早应用深度学习进行全自动 检测的研究是由 等 在 年发表的,他们发现基于 的系统在分辨 患者与健康人眼底
8、方面的表现与人类评分相似。等 建立了基于区域 的模型来检测 眼底中的嵴线,以改进第 阶段 的分类标准。等 发明了一种名为 的自动 筛查应用程序,其中涉及两个 分类器:一个用于检测 特征的存在与否,另一个用于对 病情程度进行轻微或严重的分级。对于附加疾病的分类,成像与信息学()联盟使用两种 策略构建了 深度学习()系统,第一种是 用于血管的分割,第二种用于分类 。和 方法都可以使用公开可用的 数据库进行预训练,并且结果与相应领域专家的判断高度一致。年,等 开始基于 分类器衍生的 血管病变的严重程度评分系统对疾病进行筛查,更多的研究证明 血管病变的严重程度评分系统在监测疾病进展 、监测治疗后疾病消
9、退 以及区分急进型后极部 的疾病速度方面具有实用价值。联盟采用成功的基于 的分割算法来更好地描绘血管,然后结合传统的特征提取和分类方案,展示了混合系统 可以实现与 类似的性能 。这一结果表明,将深度学习方法与传统方法相结合,可以取得良好的诊断性能,并提供更准确、高效的人工智能辅助诊断 工具。发展人工智能辅助诊断 的挑战和策略虽然人工智能辅助诊断 似乎可以解决一些现有的问题,但何时及如何将人工智能纳入常规 筛查是亟待解决的问题。以光学相干断层扫描()为例,自 世纪 年代起,其作为一种有前途的研究工具成功商业化,并成为眼科临床实践的关键组成部分,几乎在所有亚专科中得到了广泛应用,使我们能够更好地了
10、解眼科疾病 。然而,经历了近十年的时间才被广泛整合到日常眼科实践中,这一过程需要研究人员、行业、监管机构和临床医生之间的大量协同和努力。将人工智能应用到 临床实践中面临如下几个方面的限制:首先,尚不明确人工智能算法是否能够适用于不同眼底照相机和人群中,以及是否具 :眼 科新进展 年 月第 卷第 期 有可接受的诊断性能;其次,如何将这项技术整合到现有的或新的临床工作流程中仍需进一步研究;再者,虽然本专家组已发表眼科人工智能临床应用伦理相应共识 ,但相关伦理和监管问题以及公众对人工智能的态度也是需要考虑的重要因素。科学研究中的结果尚无法代表临床实践中的有效性 ,从人工智能的角度看,大部分文章发表在
11、计算机相关的期刊,而且有各种各样的指标,但在医学中,更多的是使用统一的金标准。鉴于此,我们希望提出一个前瞻性、金标准数据集,用于模型的测试。因为现有的数据集中,大多为回顾性数据集,且存在标签不完善、人种(跨地域数据集)等问题,此外,收集的数据质量也不是统一的。而关于模型,常见的限制自身算法的问题为泛化性、鲁棒性以及黑盒效应(它使得深度学习的流程不透明),它们之间又相互联系。我们建议、鼓励未来的研究采用可解释的机器学习或者深度学习模型,在糖尿病性视网膜病变中已经有学者做了此类研究,但是在 中还没有相关的研究。对于人工智能辅助诊断 来说,深度 对训练数据中的模式高度敏感,不仅是相关模式,还包括潜在
12、的混淆模式,如图像质量、像素级图像采集可变性、不同的眼底色素沉着等。如果被测试的真实 分类在这些方面与训练分类不同,系统可能表现不佳。目前,人工智能筛查中的几种方法已经在研究中展示了足够的概念验证性能,这些研究使用了来自特定眼底照相机和采集协议的精选图像数据集 ,我们需要研究这些算法在真实世界中对于可变的临床和技术参数是否具有可用性;同时我们建议建立前瞻性、金标准数据集,作为测试集或验证集来验证这些算法的实用性能。与科学研究相比,在临床实践中的 图像人工智能筛查可能和理论研究中有所不同。首先,在一个眼底照相机系统上表现良好的算法可能无法在不同的眼底照相机系统上表现相似。目前临床实践中存在多种不
13、同类型的眼底照相机,这就使 图像的标准化过程和 人工智能筛查的监管审批过程变得更加复杂,因为算法只会被批准用于具有可用验证数据的眼底照相机 。如何解决 临床实践中多个眼底照相机供应商的问题,还需要进一步观察和研究。其次,在新生儿重症监护室中为早产儿拍摄眼底图像比在门诊环境为成年人拍摄眼底图像更具有挑战性。临床实践中拍摄的眼底图像质量是否足够好,是否可以用于人工智能系统?可能需要进行技术培训或图像质量预筛选,才能对这些人工智能系统的输出结果产生足够的信任 。再次,眼底视网膜色素分布和 临床表型因种族和地区而异。低收入和中等收入国家的 表现可能与美国和欧洲不同 ,需要独立验证。类似于药物开发的 期
14、临床试验,我们预计会有两个验证阶段:第一,高度规范和协议化的 图像采集和评估,旨在获得监管机构的临床使用批准;第二,上市后评估,以评估 人工智能辅助筛查临床实际应用的有效性。这些研究将是证明人工智能辅助筛查 模型的适宜推广性并获得临床医生接受的关键所在。为了使人工智能技术得到广泛应用,还必须解决 医疗服务中的实际障碍。首先,目前大多数 筛查都是通过检眼镜进行的床边检查,没有图像采集,而使用人工智能技术诊断 则需要眼底照相机对图像进行记录,这也意味着将其应用于临床需要涉及眼底照相机费用、医疗法律和报销等多方面问题。因此,需要建立一个工作流程,将眼底照相机费用等现实因素考虑在内。尽管成功的远程医疗
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 辅助 诊断 早产儿 视网膜 病变 应用 指南 282023 29
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。