新文推薦
基于眼科影像的深度學(xué)習(xí)預(yù)測屈光不正的系統(tǒng)綜述
Ocular image-based deep learning for predicting refractive error: A systematic review
（點(diǎn)擊英文標(biāo)題可直接瀏覽、下載論文）
Samantha Min Er Yew1, Yibing Chen1, Jocelyn Hui Lin Goh, David Ziyou Chen, Marcus Chun Jin Tan, Ching-Yu Cheng, Victor Teck Chang Koh, Yih-Chung Tham*
新加坡國立大學(xué)眼科中心
近日，新加坡國立大學(xué)楊潞齡醫(yī)學(xué)院Tham Yih Chung教授研究團(tuán)隊(duì)在 “Advances in Ophthalmology Practice and Research” 期刊發(fā)表了題為“Ocular image-based deep learning for predicting refractive error-A systemiatic review” 的綜述論文。新加坡國立大學(xué)楊潞齡醫(yī)學(xué)院 Samantha Min Er Yew 和南洋理工大學(xué)化學(xué)工程和生物技術(shù)學(xué)院陳奕冰 Chen Yibing 為論文共同第一作者，Tham Yih Chung 教授為論文的通訊作者。
01
論文導(dǎo)讀 Highlight 未矯正的屈光不正是全球視力損害的主要原因之一，導(dǎo)致了超過一億人中度至重度視力損害和近680萬人失明。如若不經(jīng)過及時治療，不僅會造成生活質(zhì)量和生產(chǎn)力的降低，還會增加跌倒風(fēng)險。經(jīng)過預(yù)計，未來由于未矯正屈光不正引起的視力損害人數(shù)將持續(xù)上升，這一趨勢表明了一個日益嚴(yán)重的公共健康問題，強(qiáng)調(diào)了有效篩查的和管理的必要性。 深度學(xué)習(xí)作為人工智能的一個分支，在眼科學(xué)領(lǐng)域產(chǎn)生了顯著的影響。它在診斷多種眼部疾?。ㄈ缣悄虿⌒砸暰W(wǎng)膜病變、年齡相關(guān)性黃斑變性、白內(nèi)障和青光眼）方面表現(xiàn)出高效性。深度學(xué)習(xí)不僅提高了篩查效率，還提升了診斷的準(zhǔn)確性，甚至有時超過了專家水平。這提供了早期疾病檢測的可能性，并有助于推動遠(yuǎn)程篩查和遠(yuǎn)程醫(yī)療的結(jié)合，擴(kuò)大眼科護(hù)理的覆蓋范圍。 在屈光不正的檢測領(lǐng)域，盡管已有一些研究探索了使用多種成像模式（如眼底圖像、超廣角眼底圖像、視力光照圖像、眼部外觀圖像和光學(xué)相干斷層掃描（OCT）圖像）的深度學(xué)習(xí)模型，但尚未對這些研究進(jìn)行全面的系統(tǒng)綜述。因此，本綜述評估了基于眼部圖像的深度學(xué)習(xí)在屈光不正檢測中的應(yīng)用，突出了其重要性和實(shí)際應(yīng)用價值，為未來的研究和臨床應(yīng)用提供了寶貴的見解。
屈光不正的預(yù)測通常依賴于復(fù)雜的眼科檢查，而這些檢查過程繁瑣且對患者有一定的負(fù)擔(dān)。隨著深度學(xué)習(xí)技術(shù)的不斷進(jìn)步，通過分析眼部圖像來預(yù)測屈光不正成為可能。 本系統(tǒng)綜述旨在評估基于眼科影像的深度學(xué)習(xí)模型在預(yù)測屈光不正中的表現(xiàn)。我們在PubMed、Scopus和Web of Science數(shù)據(jù)庫中進(jìn)行了全面的文獻(xiàn)檢索，并篩選出符合納入標(biāo)準(zhǔn)的研究。研究結(jié)果表明，基于眼底照片的深度學(xué)習(xí)模型在預(yù)測高度近視方面表現(xiàn)出色，其AUC值介于0.91到0.98之間，敏感度在85.10%至97.80%之間，特異性在76.40%至94.50%之間?；贠CT圖像的模型在預(yù)測屈光不正方面的AUC值為0.79至0.81敏感度為82.30%至87.20%，特異性為61.70%至68.90%。外眼照片模型的AUC值介于0.91到0.99之間，敏感度為81.13%至84.00%，特異性為74.00%至86.42%。對不同算法的性能進(jìn)行了對比分析，并探討了這些技術(shù)在臨床應(yīng)用中的可行性。本文回顧了自2010年以來，使用深度學(xué)習(xí)算法對眼部圖像進(jìn)行分析，以預(yù)測屈光不正的研究。主要分析了這些研究中使用的數(shù)據(jù)集、模型結(jié)構(gòu)、評估指標(biāo)及結(jié)果，并對其優(yōu)缺點(diǎn)進(jìn)行了總結(jié)。 盡管深度學(xué)習(xí)技術(shù)取得了顯著進(jìn)展，但在實(shí)際應(yīng)用中仍面臨一些挑戰(zhàn)，如數(shù)據(jù)質(zhì)量、模型泛化能力以及臨床可解釋性等問題。本文提出了未來研究的方向和建議，以期進(jìn)一步提升基于深度學(xué)習(xí)的屈光不正預(yù)測技術(shù)的臨床應(yīng)用價值。
02
論文圖表
圖 1. PRISMA流程圖
表 4. 納入研究中報道的深度學(xué)習(xí)在檢測屈光不正方面的表現(xiàn)結(jié)果
（更多圖表內(nèi)容請查看原文）
引用本文
1. Yew SMEY, Chen Y, Goh JHL, Chen DZ, Tan MCJT, Cheng CY, Koh VTC, Tham YC. Ocular image-based deep learning for predicting refractive error: A systematic review. Adv Ophthalmol Pract Res. 2024;4(3):164-172. doi:10.1016/j.aopr.2024.06.005
03
作者介紹
通訊作者 覃宇宗 Tham Yih Chung,PHD。新加坡國立大學(xué)楊潞齡醫(yī)學(xué)院眼科助理教授，新加坡國立大學(xué)創(chuàng)新與精準(zhǔn)眼健康中心人口數(shù)據(jù)科學(xué)聯(lián)合負(fù)責(zé)人和視光學(xué)教育項(xiàng)目主任；新加坡眼科研究所的臨床科學(xué)家。迄今為止，Tham Yih Chung教授在Lancet Digital Health、Nature Medicine， Nature Biomedical Engineering、Nature Aging、Ophthalmology、JAMA Ophthalmology 等著名期刊上發(fā)表了250余篇經(jīng)過同行評審的科學(xué)論文。他曾獲得新加坡國立大學(xué)校長研究生獎學(xué)金、國家醫(yī)學(xué)研究理事會的過渡獎（TA）和HPHSR臨床科學(xué)家獎（HCSA）。自2021年以來，他被斯坦福大學(xué)評為全球引用率前2%的科學(xué)家之一。 第一作者 游敏娥 Samantha Min Er Yew, 新加坡國立大學(xué)楊潞齡醫(yī)學(xué)院碩士在讀。 陳奕冰 Chen Yibing，2023年本科畢業(yè)于新加坡南洋理工大學(xué)生物醫(yī)學(xué)工程專業(yè)。
文編 | 陳奕冰
編排 | 丁思敏
審核 | 王凱軍
浙江大學(xué)醫(yī)學(xué)院附屬第二醫(yī)院眼科中心 浙江大學(xué)眼科醫(yī)院