论文翻译--一种深度学习算法检测视网膜眼底照片中糖尿病视网膜病变的研究与验证
一种深度学习算法检测视网膜眼底照片中糖尿病视网膜病变的研究与验证
重要性
深度学习是一个计算方法家族，它允许一个算法通过学习大量示例来演示自己的程序，从而展示出所需的行为，消除了明确指定规则的需要。 这些方法应用于医学成像需要进一步的评估和验证。
目的
应用丰富的检测方法对糖尿病视网膜病变和糖尿病性黄斑水肿进行检测。
设计
特定类型的神经网络 - 被称为深卷积神经网络的图像分类被训练使用128 175视网膜图像的回顾性研究数据集，对于糖尿病性视网膜病变，糖尿病性黄斑水肿和图像分级，由54名美国执照眼科医师和眼科高级小组进行3-7次分级 居民在2015年5月和12月。由此产生的算法在2016年1月和2月使用两个独立的数据集进行验证，这两个数据集至少有7个美国董事会认证的眼科医生分级，具有高的一致性。
主要成果和措施
根据眼科专家组的多数决定的参考标准，生成可判定有糖尿病视网膜病变（RDR）的算法的灵敏度和特异性，定义为中度和更差的糖尿病视网膜病变，可评估的糖尿病性黄斑水肿或两者。 该算法在选自显影组的2个操作点进行评估，一个选择高特异性，另一个选择高灵敏度。
结果
TheEyePACS-1数据库共有4997名患者（统计显示，54.4岁; 62.2％女性; RDR患病率，683/8878完全可分级图像[7.8％]） Messidor-2数据集有来自874名患者（平均年龄57.6岁; 42.6％女性; RDR患病率，254/1745完全可分级图像[14.6％]）的1748幅图像。 为了检测RDR，该算法在接受者操作曲线下对于EyePACS-1为0.991（95％CI，0.988-0.993），对于Messidor-2为0.990（95％CI，0.986-0.995）。 以EyePACS-1为特异性的第一个切点，敏感性为90.3％（95％CI，87.5％-92.7％），特异性为98.1％（95％CI，97.8％-98.5％）。 对于Messidor-2，敏感性为87.0％（95％CI，81.1％ - 91.0％），特异性为98.5％（95％CI，97.7％-99.1％）。 在开发组中使用第二个高灵敏度的操作点，对于EyePACS-1，敏感性为97.5％，特异性为93.4％，对于Messidor-2敏感性为96.1％，特异性为93.9％。
结论和相关性
通过对糖尿病视网膜病变的相关评价，基于深度机器学习的算法对糖尿病视网膜病变的诊断具有较高的敏感性和特异性。 进一步的研究是必要的，以确定应用这种算法在临床设置的可行性，并确定是否使用算法可以导致改善护理和结果比目前的眼科评估。
