[论文理解]An artificial intelligence-based deep learning algorithm for the diagnosis of diabetic neuropathy using corneal confocal microscopy: a development and validation study

基于人工智能的角膜共焦显微镜诊断糖尿病神经病变的深度学习算法：开发和验证研究，2019

 

目录

• Intro
• Method
  • 实验设计

• Result

• Experiments

  • 数据增广

• Result
• Discussion

Intro

本研究的目的是建立一个深度学习模型，用活体共焦显微镜（IVCM）自动分割和评估基底下角膜神经纤维（CNF）。该模型旨在直接、快速地为我们提供基底下角膜神经分割和评估方面的信息，以帮助决策过程

Method

实验设计

采用卷积神经网络和数据增强，用于自动量化角膜基底下神经丛以诊断糖尿病神经病变。

对1698张角膜共焦显微镜图像进行训练；

为了进行外部验证，对2137张图像进行了进一步测试。

用于识别总神经纤维长度、分支点、尾端、神经段的数量和长度以及分形数。

进行敏感性分析以比较ACCMetrics的AUC和本文提出的算法

Result

在角膜神经纤维总长度（0.933 vs 0.825）、每段平均长度（0.656 vs 0.325）、分支点数（0.891 vs 0.570）、尾点数（0.623 vs 0.257）、神经段数（0.878 vs 0.504）和分形数（0.927 vs 0.758）方面，我们算法的组内相关系数优于ACCMetrics。

此外，本文提出的算法在没有（n=90）和（n=132）神经病变情况下（根据多伦多标准定义）的分类，达到了AUC为0.83、特异性为0.87和灵敏度为0.68。

Experiments

数据

共收集了来自中国、意大利、美国的角膜神经数据

模型

U-Net

 

 

 

评估指标

使用组内系数（ICC）评估自动分割和手动注释之间的一致性

AUC比较不同模型的检测性能。

 

Discussion

文章提出了一种基于人工智能的深度学习算法，用于分析和量化CCM图像中的角膜神经。

这是第一个用于分析角膜神经形态学和病理学的深度学习算法。

特别是，有更一致的结果，如许多指标（包括总CNF长度）的组内相关性所示。

除了总的CNF长度外，该算法还能够产生分支和尾端的数量、分形数、弯曲度和节段长度。

因此，这些定量变量可能为诊断糖尿病神经病变和神经病变严重程度提供额外的实用性。

 

这跟上一篇相比，把各种指标都补全了。