跳转到主要内容

#自动化诊断

3 篇

与"自动化诊断"相关的眼科资讯

学术研究

糖尿病视网膜病变早期诊断的自动化系统

该研究旨在开发一种基于眼底图像的自动化诊断系统，用于早期检测糖尿病视网膜病变（DR）。通过识别渗出物、出血和微动脉瘤等特征，结合小波变换边缘增强、高斯混合模型聚类以及机器学习算法（如随机森林分类器和多层感知机神经网络）进行特征提取和分类。研究使用了IDRiD数据集和Kaggle数据集中的眼底图像，结果显示，基于随机森林的分类系统在检测DR病灶方面达到了95.08%的敏感性、86.67%的特异性和95.20%的整体准确性。这一方法为大规模筛查提供了高精度、自动化且可扩展的解决方案，尤其适用于眼科专业资源有限的地区。

#糖尿病视网膜病变#自动化诊断#机器学习
PubMed Ophthalmology #1/3
READ
学术研究

深度学习模型在早产儿视网膜病变自动诊断中的应用

早产儿视网膜病变（ROP）是一种影响低出生体重和早产婴儿的重要眼科疾病，可能导致不可逆的视力丧失。本研究开发了一种基于深度学习的自动化诊断系统，用于分类加号病（Plus disease）和ROP分期。该系统通过精心整理的视网膜眼底图像数据集，实现了对加号病的二分类（加号/正常）和ROP分期的多分类（0期、1期、2期、3期）。结果显示，该模型在加号病检测上的准确率为0.996，在ROP分期分类上的准确率为0.98。这些结果表明，该自动化筛查方法具有潜在的临床应用价值，能够支持及时诊断和干预，从而减少早产儿群体中的视力损害。然而，仍需多中心验证以进一步确认其临床效用。

#早产儿视网膜病变#深度学习#自动化诊断
PubMed Ophthalmology #2/3
READ
学术研究

自动化技术在Stargardt病眼底自体荧光定量中的应用

该研究旨在评估自动化算法在Stargardt病患者中量化眼底自体荧光减少区域的重复性和再现性。研究纳入了158名遗传确诊的Stargardt病患者的316只眼睛，通过手动和自动两种方法对自体荧光减少区域进行量化，并在预设的中心6毫米视网膜区域内进行一致性分析。结果显示，自动化方法在重复性和再现性方面表现出色，与手动方法高度一致，且具有更高的可扩展性和客观性。手动方法虽然可靠，但在某些情况下变异较大，尤其是对于深层自体荧光减少区域。这些发现基于一个主要为亚洲儿童和青少年的单次试验队列。

#Stargardt病#眼底自体荧光#自动化诊断
PubMed Ophthalmology #3/3
READ