排序方式： 共有5条查询结果，搜索用时 15 毫秒
1
1.
目的探索人工智能(AI)深度学习技术用于青光眼性眼底病变(GON)筛查检出的效能。
方法采用诊断试验的研究方法，收集自2013年8月至2019年7月于首都医科大学附属北京同仁医院北京同仁眼科中心青光眼门诊就诊患者的眼底图像200张(200只眼)。根据阅片方式的不同，将采用AI系统阅片的定义为AI系统组，将医师人工阅片的定义为医师组。其中，医师组包括高年资眼科医师(眼底照片诊断经验为10年以上)、低年资眼科医师(眼底照片诊断经验为5年以上，10年以内)及全科医师。各组均对所有眼底图像进行阅片和标注。年龄和性别的数据经S-W检验证实呈正态分布者，以均数±标准差表示。经Levene检验证实方差齐，AI系统与不同级别医师单张平均阅片时间的比较采用单因素方差分析，两两比较采用LSD-t检验。采用敏感度、特异度及工作特性曲线下面积(AUC)对AI模型进行预测和性能评价。诊断符合率以百分数表示，AI系统与眼科高级医师阅片诊断的符合率、AI系统与不同级别医师阅片诊断符合率的比较，均采用卡方检验。
结果在医师组中，高年资眼科医师、低年资眼科医师及全科医师共6位医师共完成2次阅片。其诊断符合率的比较，差异均有统计学意义(χ2＝4.324，3.562，4.213，5.786，10.546，11.431；P<0.05)。AI系统阅片测试的敏感度为100.0%，特异度为88.6%，诊断符合率为90.5%，AUC为0.934。在AI系统辅助下，标注的符合率提升最大的为2位全科医师，分别达到了87.3%及82.5%。在AI系统辅助下，高年资眼科医师、低年资眼科医师及全科医师的平均阅片时间较独立阅片标注有明显缩短，差异均有统计学意义(t＝4.175、3.189、6.160；P<0.05)。
结论标准化智能AI标注辅助系统的应用有利于不同资质医师的准确诊断和提高效率。尤其，可以快速提升全科医师及低年资眼科医师标注的符合率。 相似文献
2.
3.
目的研究基于卷积神经网络自动检测青光眼性视神经病变的深度学习算法,并探讨实现病灶区可视化的可行性。设计横断面研究。研究对象2014-2018年北京同仁医院5148例患者10296眼的眼底图像。方法在提供有无青光眼性视神经病变作为标记的前提下,首先基于ResNet深度模型训练一个深度神经网络,使用训练好的模型测试并计算其诊断分类的准确性。其次利用t-分布随机邻域嵌入可视化方法(t-SNE)实现对不同类别的深度特征分布可视化,生成相应的病灶区域热力图。计算该深度学习算法分类的敏感性、特异性和受试工作特性曲线下面积(AUC),并通过热力图评价其对某种类型病灶区的识别准确率以及对于诊断贡献最大的区域与专家的判别一致性。主要指标敏感性、特异性、AUC、识别准确率、判别一致性。结果在验证数据集中,该算法的AUC为0.996(95%CI,0.995-0.998),检测到病灶区的敏感性和特异性与受过培训的专业评分员相当(敏感性,96.2%vs 96.0%,P=0.76;特异性,97.7%vs 97.9%,P=0.81)。病灶区域热力图对视盘异常和盘沿丢失区域的识别准确率达到100%,对于诊断贡献最大的区域判别与青光眼专家的一致性达91.8%。结论运用深度学习算法检测青光眼性视神经病变的眼底图像具有较高的敏感性与特异性,同时基于t-SNE算法实现了对诊断贡献较大的病灶区域可视化。 相似文献
4.
血管内皮瘤是一种主要发生于全身软组织、肝、肺、骨等部位罕见的交界性或低度恶性血管源性肿瘤,一般呈浸润性生长,偶尔也会出现转移。眼部血管内皮瘤为一种更为罕见的血管瘤类型,目前尚缺乏针对其良恶性的定位及统一的诊疗指南。眼部血管内皮瘤多原发于眼眶,也可原发于眼睑及泪器。临床表现为眼睑肿胀、眼球突出,影像学检查常显示肿瘤局部浸润生长伴眶骨壁破坏,全身转移较为罕见。病理改变多为血管源性内皮细胞增生,免疫组化显示内皮细胞因子CD31、CD34阳性。治疗方式以局部完整切除肿瘤为主,但术中应注意该肿瘤的出血倾向。手术切除辅以放化疗依然是原发于眼眶血管内皮瘤较为稳妥的治疗方案。（国际眼科纵览,2021, 45： 357-363） 相似文献
5.
筛板的变形与血流减少一直被视作青光眼视神经轴突损伤的首发因素。病理性眼压升高与青光眼的发生发展间有紧密关系。通过OCT技术衡量筛板及周边参数随眼压变化来研究青光眼发病机制受到了广泛关注。研究表明筛板深度（LCD）、筛板前表面厚度（PTT）、筛板曲率指数（LCCI）以及视盘血管密度等参数均与眼压具有相关性。眼压升高可对筛板结构和血流双重作用而影响青光眼的进展。但眼压的作用并非影响筛板的唯一因素。（国际眼科纵览,2021, 45：145-151） 相似文献
1