基于深度学习模型进行屈光不正与玻璃膜疣的相关性分析

作者：顾虹^*; 沈肇萌; 李志国

来源：中华眼视光学与视觉科学杂志, 2020, 22(05).

• 屈光不正
• 黄斑变性, 年龄相关
• 视网膜玻璃膜疣
• 深度学习
• 人工智能

目的: 采用深度学习模型对彩色眼底图像中的玻璃膜疣进行自动判读, 并进一步探讨屈光不正与玻璃膜疣的相关关系。方法: 病例对照研究。选取2017年1─12月在宁波市医疗中心李惠利医院行健康体检且年龄大于50岁的参与者, 共1 035例(2 055眼)的彩色眼底图像, 使用DeepSeeNet深度学习模型对彩色眼底图像进行自动分析判读, 按玻璃膜疣大小进行分组。同时随机选择392张(19.1%)彩色眼底图像采用人工阅片方法对玻璃膜疣大小进行判读, 采用Cohen’’s Kappa检验比较2种判读方法的一致性。根据电脑验光数据计算等效球镜度(SE), 并分为中重度远视(>+3.0 D)、轻度远视(+0.51～+3.0 D)、正视(-0.5～+0.5 D)、轻度近视(-3.0～-0.51 D)、中重度近视(<-3.0 D)。应用Logistic回归模型进行屈光不正与玻璃膜疣的相关性分析。结果: 深度学习模型对玻璃膜疣大小判读与人工阅片结果具有高度一致性(κ=0.67, P<0.001)。在矫正性别、年龄等因素后, SE向正方向增加与大玻璃膜疣发生风险相关(OR=1.03, 95%CI:1.01～1.04, P<0.001)。中高度近视为玻璃膜疣的保护因素, 与正视者相比, 中重度近视者发生大玻璃膜疣的风险为0.89(95%CI:0.82～0.97);相反, 中高度远视为危险因素, 与正视者相比其发生大玻璃膜疣的风险为1.20(95%CI:1.03～1.39)。结论: 屈光不正与玻璃膜疣的发生相关。深度学习作为一种新型技术, 除了可以增强医师临床诊断的速度和精准性, 同样可以为年龄相关性黄斑变性相关的科研提供线索。

• 单位
  宁波市医疗中心李惠利医院