青光眼是一組異質(zhì)性神經(jīng)退行性疾病,其特征是視網(wǎng)膜神經(jīng)節(jié)細(xì)胞及其軸突逐漸消失,現(xiàn)已成為全球不可逆性失明的主要原因。人工智能（AI）是由機(jī)器展示的智能,而深度學(xué)習(xí)（DL）是其中一個(gè)基于深度神經(jīng)網(wǎng)絡(luò)的分支,在醫(yī)學(xué)成像領(lǐng)域取得了重大突破。在青光眼影像方面,已有越來(lái)越多的研究將DL應(yīng)用于眼底圖像以及光學(xué)相干斷層掃描（OCT）,以檢測(cè)青光眼性視神經(jīng)病變。有很好的結(jié)果顯示,將DL技術(shù)整合到影像中進(jìn)行青光眼評(píng)估是高效、準(zhǔn)確的,這可能會(huì)解決當(dāng)前實(shí)踐和臨床工作流程中的一些難題。但是,未來(lái)進(jìn)一步的研究對(duì)于解決現(xiàn)存挑戰(zhàn)至關(guān)重要,例如為不同研究之間的圖像標(biāo)記建立標(biāo)準(zhǔn),將"黑匣子"的學(xué)習(xí)過(guò)程進(jìn)行可視化,提高模型在未知數(shù)據(jù)集上的泛化能力,開(kāi)發(fā)基于DL的實(shí)際應(yīng)用程序,以及建立合理的臨床工作流程,進(jìn)行前瞻性驗(yàn)證和成本效益分析等。本文總結(jié)了AI應(yīng)用于青光眼影像的最新研究現(xiàn)狀,并討論了對(duì)臨床的潛在影響和未來(lái)的研究方向。 

【文章來(lái)源】：山東大學(xué)學(xué)報(bào)(醫(yī)學(xué)版). 2020,58(11)北大核心

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

人工智能、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)

表1 DL模型開(kāi)發(fā)與性能評(píng)估的基本數(shù)據(jù)設(shè)置Tab.1 The basic data sets for the development and performance evaluation of deep learning models 術(shù)語(yǔ) 說(shuō)明 訓(xùn)練集 與調(diào)試集和內(nèi)部驗(yàn)證集來(lái)自同一個(gè)大的數(shù)據(jù)集,是基于一定比例劃分且互不重合,用于建立深度學(xué)習(xí)模型。研究者可構(gòu)建具有不同參數(shù)甚至不同網(wǎng)絡(luò)架構(gòu)的DL模型來(lái)學(xué)習(xí)訓(xùn)練集中青光眼性視神經(jīng)改變的相關(guān)特征。 調(diào)試集 與訓(xùn)練集和內(nèi)部驗(yàn)證集來(lái)自同一個(gè)大的數(shù)據(jù)集,是基于一定比例劃分且互不重合,用于實(shí)時(shí)評(píng)估不同模型在訓(xùn)練期間的性能。研究者可根據(jù)實(shí)時(shí)觀(guān)察的學(xué)習(xí)曲線(xiàn)進(jìn)行參數(shù)調(diào)節(jié),確定訓(xùn)練停止節(jié)點(diǎn),并最終選擇最佳DL模型。 內(nèi)部測(cè)試集 與訓(xùn)練集和調(diào)試集來(lái)自同一個(gè)大的數(shù)據(jù)集,是基于一定比例劃分且互不重合,用于評(píng)估所選的最佳DL模型在該未知數(shù)據(jù)集上的性能。臨床研究中,研究者需匯報(bào)模型在內(nèi)部測(cè)試集上的性能,通常包括受試者工作特征曲線(xiàn)下面積,靈敏度,特異性以及準(zhǔn)確性等。 外部測(cè)試集 一個(gè)或多個(gè)獨(dú)立的數(shù)據(jù)集,與訓(xùn)練集、測(cè)試集和內(nèi)部驗(yàn)證集來(lái)自不同數(shù)據(jù)集,用于評(píng)估上述DL模型在其他未知數(shù)據(jù)集上的性能,驗(yàn)證其臨床通用性。研究者同樣需匯報(bào)模受試者工作特征曲線(xiàn)下面積、靈敏度、特異性以及準(zhǔn)確性等。當(dāng)DL模型在內(nèi)部以及外部測(cè)試集都具有較好性能時(shí),即證明該模型有良好的通用性。 K-倍交叉驗(yàn)證 主要用于數(shù)據(jù)量有限時(shí)。將整個(gè)大的數(shù)據(jù)集分為k個(gè)相等的小數(shù)據(jù)集,其中(k-1)個(gè)合并為訓(xùn)練集用于模型開(kāi)發(fā),剩下的一個(gè)作為測(cè)試集評(píng)估模型性能。該訓(xùn)練過(guò)程重復(fù)k次,每次選擇其中一個(gè)小數(shù)據(jù)集用作測(cè)試集。研究者應(yīng)匯報(bào)所有測(cè)試集的平均性能,通常為 x ˉ ±s 。 留一法交叉驗(yàn)證 主要用于數(shù)據(jù)量非常有限時(shí),是一種特殊類(lèi)型的K-倍交叉驗(yàn)證,此時(shí)K等于數(shù)據(jù)總數(shù)(即標(biāo)注圖像的總數(shù))。僅留下一張圖像來(lái)測(cè)試模型性能,其他圖像全部用于訓(xùn)練。該訓(xùn)練過(guò)程同樣重復(fù)k次,研究者應(yīng)匯報(bào)所有測(cè)試集的平均性能,通常為 x ˉ ±s 。2 DL在青光眼眼底圖像的應(yīng)用

雖然眼底照相更便捷經(jīng)濟(jì),可能適用于資源匱乏的區(qū)域或初級(jí)診療中心,OCT可進(jìn)行三維立體成像,并測(cè)得客觀(guān)數(shù)據(jù),對(duì)于青光眼的檢測(cè)更準(zhǔn)確,近十多年臨床上應(yīng)用的也越來(lái)越多。目前,已有研究實(shí)現(xiàn)了用OCT相關(guān)數(shù)據(jù)或者圖像來(lái)訓(xùn)練DL模型,以檢測(cè)GON。這些DL模型主要分三類(lèi),具有不同類(lèi)型的輸入:①傳統(tǒng)OCT報(bào)告中的測(cè)量參數(shù)、厚度圖、偏差圖和俯視圖; ②未分割的二維掃描圖; ③未分割的三維立體掃描圖。見(jiàn)圖3。3.1 基于OCT報(bào)告中測(cè)量參數(shù)或圖像的DL模型


本文編號(hào)：3414543