人工智能技术对视网膜静脉阻塞的诊断价值分析OA北大核心

目的探讨人工智能(AI)技术对视网膜静脉阻塞(RVO)的诊断价值。方法选取2016年7月至2022年6月在我院眼科就诊并进行免散瞳眼底照相的9000例患者图像,从中筛选出700例患有RVO的眼底图像,联合河南理工大学电气化学院,应用AI技术对眼底图像进行处理。本研究采用了最先进的两阶段算法(Faster-RCNN模型)、先进的一阶段检测算法(YOLOV4和YOLOV5模型),以及专门为RVO设计的改进型YOLOV5模型来处理收集到的RVO数据,并对结果进行对比分析。采用受试者工作特征曲线分析改进型YOLOV5模型对RVO诊断的灵敏度和特异度。结果Faster-RCNN模型检测精度最高,但其参数规模远大于其他模型,且每秒帧数仅为8,不能满足检测的实时性要求。改进型YOLOV5模型检测精度仅比Faster-RCNN模型低3%,但参数规模远远小于Faster-RCNN模型,且每秒帧数比其高22。根据不同的AI模型Faster-RCNN、YOLOV4、YOLOV5和改进型YOLOV5模型,绘制的受试者工作特征曲线下面积分别为0.946(95%CI:0.933-0.959),0.794(95%CI:0.772-0.816),0.864(95%CI:0.845-0.884),0.930(95%CI:0.915-0.944)。改进型YOLOV5模型对RVO诊断的灵敏度为87.0%,特异度为98.9%。结论改进型YOLOV5模型拥有较高的检测精确性,所需的参数规模较小,对RVO诊断的灵敏度和特异度高,可以作为RVO新的人工智能辅助诊断方法。