Deep learning for detecting visually impaired cataracts using fundus images

白内障 眼底(子宫) 医学 接收机工作特性 人工智能 眼科 验光服务 计算机科学 内科学
作者
He Xie,Zhongwen Li,Chengchao Wu,Yitian Zhao,Chengmin Lin,Zhouqian Wang,Chenxi Wang,Qinxuan Gu,Minye Wang,Qinxiang Zheng,Jiewei Jiang,Wei Chen
出处
期刊:Frontiers in Cell and Developmental Biology [Frontiers Media SA]
卷期号:11
标识
DOI:10.3389/fcell.2023.1197239
摘要

Purpose: To develop a visual function-based deep learning system (DLS) using fundus images to screen for visually impaired cataracts. Materials and methods: A total of 8,395 fundus images (5,245 subjects) with corresponding visual function parameters collected from three clinical centers were used to develop and evaluate a DLS for classifying non-cataracts, mild cataracts, and visually impaired cataracts. Three deep learning algorithms (DenseNet121, Inception V3, and ResNet50) were leveraged to train models to obtain the best one for the system. The performance of the system was evaluated using the area under the receiver operating characteristic curve (AUC), sensitivity, and specificity. Results: The AUC of the best algorithm (DenseNet121) on the internal test dataset and the two external test datasets were 0.998 (95% CI, 0.996-0.999) to 0.999 (95% CI, 0.998-1.000),0.938 (95% CI, 0.924-0.951) to 0.966 (95% CI, 0.946-0.983) and 0.937 (95% CI, 0.918-0.953) to 0.977 (95% CI, 0.962-0.989), respectively. In the comparison between the system and cataract specialists, better performance was observed in the system for detecting visually impaired cataracts (p < 0.05). Conclusion: Our study shows the potential of a function-focused screening tool to identify visually impaired cataracts from fundus images, enabling timely patient referral to tertiary eye hospitals.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
充电宝应助十五采纳,获得10
1秒前
1秒前
2秒前
JLHN完成签到,获得积分10
2秒前
chen完成签到,获得积分10
3秒前
4秒前
stargazer发布了新的文献求助10
6秒前
7秒前
拾诣完成签到,获得积分10
7秒前
orixero应助Eddie1143采纳,获得10
8秒前
JLHN发布了新的文献求助10
9秒前
9秒前
111完成签到,获得积分10
9秒前
等风的人发布了新的文献求助10
10秒前
大脸萌完成签到,获得积分10
10秒前
徐hhh发布了新的文献求助10
12秒前
情怀应助开朗眼神采纳,获得10
12秒前
小石完成签到,获得积分10
12秒前
曾经寒香发布了新的文献求助10
13秒前
怡然的天思完成签到,获得积分10
14秒前
wen完成签到,获得积分10
15秒前
深情安青应助xiaoliu采纳,获得10
15秒前
关关过应助lolo采纳,获得10
16秒前
天天快乐应助愉快夜白采纳,获得10
16秒前
等风的人完成签到,获得积分10
16秒前
17秒前
wan完成签到,获得积分10
18秒前
能力不足的思想自由人完成签到 ,获得积分10
18秒前
fifteen应助沉静青寒采纳,获得10
19秒前
狼牙月完成签到,获得积分10
19秒前
36456657给36456657的求助进行了留言
19秒前
yatou5651应助水论文行者采纳,获得50
19秒前
苹果丑应助水论文行者采纳,获得50
19秒前
19秒前
杀菌糕手完成签到 ,获得积分10
21秒前
科研通AI2S应助徐hhh采纳,获得10
21秒前
JamesPei应助徐hhh采纳,获得10
21秒前
ifsure完成签到,获得积分10
21秒前
dwls应助云生雾霭采纳,获得10
24秒前
颛颛完成签到 ,获得积分10
25秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Fundamentals of Dispersed Multiphase Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3254506
求助须知:如何正确求助?哪些是违规求助? 2896643
关于积分的说明 8293717
捐赠科研通 2565614
什么是DOI,文献DOI怎么找? 1393195
科研通“疑难数据库(出版商)”最低求助积分说明 652443
邀请新用户注册赠送积分活动 629992