一个人工智能,Telemedicine-Based筛查工具从彩色眼底成像识别青光眼嫌疑人

文摘

背景和目的。青光眼的视力丧失可能之前的扩大cup-to-disc比率(CDR)。我们建议开发和验证一个artificial-intelligence-based CDR评分系统,可能帮助有效glaucoma-suspect筛选。设计,设定和参与者。1546 disc-centered眼底图像被选定,包括所有457张图片视神经视网膜图像数据库的评价数据集,和图像被随机选中的年龄相关性眼病研究和新加坡马来眼研究开发系统。首先,专有半自动的软件被专家年级量化垂直CDR。然后,使用CDR低于0.5 (nonsuspect)和CDR 0.5以上(青光眼怀疑),深度学习体系结构被用来训练和测试一个二进制分类器系统。测量。二元分类器,青光眼怀疑看作是积极的,是用敏感性,特异性,准确性,AUC。结果。系统实现了89.67%的准确性(敏感性,83.33%;特异性,93.89%;和AUC, 0.93)。对于外部验证,青光眼的视网膜眼底图像数据库分析数据集,638质量可分级的图像,使用。在这里,该模型实现了83.54%的准确性(敏感性,80.11%;特异性,84.96%;和AUC, 0.85)。结论。有了一个准确和完全自动化glaucoma-suspect筛选系统,可以部署在远程医疗平台上,我们计划未来的试验来确定系统的可行性在初级保健设置。

1。介绍

青光眼是一组疾病,伤害眼睛的视觉神经,导致视力丧失和失明1]。青光眼,年龄相关性黄斑变性(AMD)和糖尿病性视网膜病变(DR)的三个主要原因之一是发达国家的失明,现在全球失明的第二大原因,白内障后(2,3]。

青光眼视网膜神经节细胞的特点是损失(RGCs),导致视野障碍和结构改变视网膜神经纤维层(RNFL)和视神经盘(4]。青光眼的早期症状很少;超过300万的美国人患有青光眼,数量超过7600万在世界范围内,预测显示1.11亿* 2040 (5]。大约一半的患者不知道它(6]。大多数时候,当检测到,现在已经很晚了。视野,不可逆转的损失。因此,至关重要的是确定个人在这种疾病的早期治疗。从青光眼视力丧失的社会和经济成本也非常高。早期发现这些条件停止恶性循环的整体健康:抑郁,失去独立性,需要养老院照顾,摔倒,骨折和死亡。这些不良结果也非常昂贵。总在美国经济负担,直接或间接,视力丧失和失明的原因,现在是1450亿美元,预计到2050年三的美元,增加寿命一般(7]。

估计RGC计数之间的关系和CDR CDR的变化表明,评估是一个敏感的进步在青光眼神经损失的评估方法;具体来说,视网膜cup-disc比率(CDR)与青光眼(高度相关8- - - - - -13]。尽管许多技术(8,9,12- - - - - -14)提出了测量cup-disc比率,他们并没有广泛验证筛选,目前的研究主要集中在整体青光眼检测。例如,Saxena et al。15青光眼)提出了一种方法检测使用标准ORIGA数据集,2020年的AUC是0.82。然而,美国眼科学会了一套测试来确定青光眼、眼压、眼排水角,视神经损伤,周边视野(视野测试),电脑成像的视神经,角膜厚度(16]。因此,使用彩色眼底图像本身并不是青光眼检测或诊断的标准协议。CDR可以是一种有效的工具来识别可疑青光眼,和我们的重点主要是识别glaucoma-suspect个人从初级保健设置(作为一个筛选过程),他们可以进一步测试,以确定青光眼及其进展。因此,从cup-to-disc比例也可能更适合临床适用性,因为其固有的explicability。目前,虽然有技术来检测cdr,一个成熟的低成本自动化系统的被动检测青光眼患者每年访问在一个初级保健设置还不普及。

我们已经考虑了垂直cup-disc率和阈值来确定正常和异常,基于以下研究。更大的或异常的CDR[中提到10)和归类为CDR > 0.5。相同的研究计划还建议小的变化在CDR RGCs可能带来重大损失,特别是在大CDR的眼睛。扩大CDR是青光眼的风险的一个指标11]。大多数人降至接近0.4的平均垂直CDR,和2.5%的人口有一个杯/盘比超过0.7 [17]。研究表明,正常(nonglaucoma)人口水平C/D比通常大于垂直C/D比率,但垂直比例增加速度在青光眼的早期和中期(18]。同时,研究已经证实,正常C/D比率的范围从低于0.3(正常个体的66%)大于0.5(只有6%的正常个体)。因此,我们认为CDR 0.5及以上,青光眼怀疑[19,20.),开始探索深度学习方法检测大CDRs [21]。

我们注意,利用量化垂直CDR当其他研究计划使用了定性评估(例如,小型、中型和大型)。我们开发和验证竖直CDR量化软件来执行这个量化评分。软件演示高重复性和可靠性,我们也提供。我们开发和验证基于ai glaucoma-suspect筛查结果基于量化垂直CDR。这应该比选择性提供更高的准确性和信心的判断。(我)介绍glaucoma-suspect筛选的方法,利用基于云的系统和包含远程医疗设施。因此,筛选可以在远程诊所和初级保健设置。(2)介绍了结果一个新颖的自动化方法,解决了疑似青光眼的早期筛查,这是一个重大的公共卫生问题。(3)因此,准确和有效的筛查在偏远的初级保健设置可以提供大量的人口目前每年从眼科医生访问。

其余的论文描述了这个glaucoma-suspect筛查工具的开发和验证。

2。材料和方法

全球战略研究的组织结构如下:(2.1)数据源,描述了不同的数据集(2.2)地面实况,描述手动评分(2.3)前预处理,描述数据管理和数据处理培训(2.4)架构,描述了技术细节的培训和验证

2.1。数据源

眼底图像三个来源被用来进行训练实验和第四个外部验证。1546彩色眼底图像,包括年龄相关性眼病的盘选择随机研究(火鸟”)22)和新加坡马来眼(西梅斯)研究[23),所有的图像视神经视网膜图像数据库的评价(RIM-ONE)数据集24),一个眼科参考图像数据库专门为青光眼的分析,设计被选中。对于外部验证,我们使用在线为青光眼视网膜眼底图像数据库分析(ORIGA) [25]。虽然这些视网膜图像已经被分级为青光眼,我们执行的一致性等级(部分2。2)。

简而言之,火鸟是13年的研究与年龄相关的眼部疾病。在55岁到80岁的参与者在他们入学。30度眼底照片是青光眼现在或缺席的分级评分火鸟眼科中心。从这些情况下我们使用眼底图像以及正常的控制人口的这个实验。

SiMES-1横断面,以人群为基础的流行病学研究的眼疾。3280年进行随机选择马来成年人生活在新加坡的西南部。研究参与者接受了各种问卷调查和详细的眼科检查。我们已经对这些图像的存在与否的信息青光眼。

RIM-ONE是一个眼科参考图像数据库专门为青光眼诊断,不仅对医学教育的目的,也是设计者的一个评估工具的分割算法。RIM-ONE是可以免费下载的一部分研究合作三个西班牙医院:医院德加大学医院Clinico圣卡洛斯米格尔Servet大学和医院。

ORIGA-light数据集是一个眼科参考图像数据库专门为青光眼的分析。ORIGA-light作为基准测试资源研究人员评估图像处理算法,检测和分析各种形象标志对青光眼的诊断高度相关。为了促进这一点,作者ORIGA使用其内部评分工具几年级glaucoma-related迹象。公开的数据集,我们使用680分级图像,其中460是健康的,剩下的分级是青光眼,从40到80岁的成年人。每个图像分割和注释由训练有素的专业人员从新加坡眼科研究所。

火鸟”数据集与请求可以获得他们的网站“dbgap.ncbi.nlm.nih.gov”。所有其他的数据可以显示作者的要求相应的数据集。

2.2。地面实况

如上所述,我们没有使用之前的注释青光眼的存在,而是手动分级每个图像垂直和水平CDR。一个名为“CDR注释器的专有软件”26)是用于目的。图1显示了标记的区域的界面杯和盘,垂直和水平的cdr是自动生成的。在此之前,感兴趣的区域(视神经盘)从眼底图像自动识别和裁剪使用自定义深度学习方法(未发表的,图2)。

两个电脑工程师iHealthScreen inc .)被专家培训眼科医生在每个年级CDRs的形象。评分有分歧时,产生的两个年级的裁决和统一的评分(cdr)的地面实况图像。裁定之前,图像被随机选出的250位宾客评价中间等级相关和200年intragrader相关性。中间级和intragrader皮尔森他们的CDR比注释之间的相关性,分别为0.832和0.841 (27),显示良好的一致性。垂直CDR被用来对图像分类分为两类:类1(非青光眼怀疑):垂直CDR≤0.5和二班(青光眼怀疑):垂直CDR > 0.5。分类后,最终用于训练数据集如表所示1。同样,后质量控制(删除42 ungradable图像),638个图像选择ORIGA-light总共680张图片的数据集和处理和分级。cdr ORIGA 452张图像的数据集是由专家评分小于或等于0.5,与186年图像分级高于0.5。

2.3。预处理

同时使用两种类型的输入图像:原始RGB转换,或预处理,RGB图像。转换后的图像RGB颜色space-averaged形象(28]。我们减去当地意味着内核大小8和高斯模糊。这样一个地方色彩平均预处理技术(lca)是有效的在处理图像时从各种来源在不同条件下拍摄的。数据2 (c)和2 (d)展示一个例子的预处理技术。

从三个数据集的图像结合了起来,形成一个统一的数据集。然后测试集是随机从这些图像。这些裁剪图像从原始RGB图像集和LCA设置表单最后输入这个实验。

2.4。体系结构和远程医疗平台

我们提出的架构(如图35)由一个神经网络学习算法和经典树。整个系统是一个二元分类器,将图像分为两类(CDR≤0.5和CDR > 0.5)。

建立一个图像分类模型鲁棒的图像和数据集变化能够学习的特性在这样一个广泛的大小和位置,进行了图像预处理技术和神经网络选择仔细(29日]。多个不同的神经网络,使用时,假设学习特性从一个图像是不同的。结合不同的模型来产生最终的输出结果是一个惯例获得更好的性能比每个组成的网络体系结构30.]。提高鲁棒性,网络的输入大小选择不同。同时,两种类型的图像被送入模型。一种是常规的RGB图像,另一个是预处理LCA图像。

深度学习架构被训练和验证生产完全自动输出。所有分级图像(1546)被分成两类:CDR≤0.5(1057张照片)和CDR高于0.5(489张照片)两种模式。

最初的测试模型(从最后选择模型)建立评估可行性。使用的网络体系结构是Inception-Resnet-V2 [31日],NasNet [32],Xception [33),《盗梦空间》(34]。深度学习架构如alexnet [35)和VGG网络(36]最初集中在叠加层越来越深,希望获得更好的性能。《盗梦空间》架构改变这种方法通过“宽”而不是集中持续的只是“更深。“每个版本的《盗梦空间》优化的速度和准确性,在我们的实验中,使用的版本Inception-V3,使用一个RMSProp优化器(377×7],映像旋转,添加批量标准化(38在辅助分类器)。

最初的《盗梦空间》网络没有深度方面可分离旋转被修改,以包括剩余连接,称为Inception-ResNet网络。《盗梦空间》模块允许添加更多的层,和剩余连接了网络收敛速度,这是Inception-Resnet-V2的基础。Xception小说深卷积神经网络结构受《盗梦空间》的启发,在《盗梦空间》模块已经取代深度方面可分离旋转。此体系结构略优于Inception-V3 ImageNet数据集。NASNet学习感兴趣的模型体系结构直接在数据集上通过搜索最好的卷积层(或“细胞”)在小数据集,然后将它应用于一个更大的数据集通过叠加在一起更多的副本这个细胞(39]。

所使用的各种输入大小范围从71×71到399×399。获得最好的模型,因此,将整体形成一个最终的架构。通过实验,我们开发了一个合奏的五个网络最终的青光眼筛查系统体系结构。这5个模型的描述如下所示。(1)Xception——输入大小:71×71;输入图像类型:地方色彩平均(转换)(2)Xception——输入大小:250×250;输入图像类型:RGB(3)Inception-Resnet-V2——输入大小:200×200;输入图像类型:RGB(4)NasNet——输入大小:150×150;输入图像类型:RGB(5)Inception-V3——输入大小:299×299;输入图像类型:RGB

完整的框架来构建模型如图3。500年的网络是训练有素的时代。我们与一批训练有素的网络20图片的大小。这是一个大量考虑GPU内存的限制。裁剪图像的低分辨率有助于实现一个更大的批量大小。亚当(40优化器是用于学习速率为0.0004。为了节省时间,提前停止机制停止训练连续20时代如果没有改进。损失每一个时代都是监控,该值用于早期停止。该系统中使用的损失函数分类交叉熵。这个量是用于确定的hyperparameters网络。SoftMax激活作为最后一层的架构。NVIDIA泰坦V GPU上的所有网络训练了两个星期,平均每个时代的20到30分钟的时间。

每个模型给出了概率的数组大小为2类。五个数组从五个模型是连接形成一系列特性的10码,然后用来构建一个逻辑模型树41为最终输出)模型。敏感性、特异性、准确性和科恩kappa计算评价模型。

2.5。人工智能平台的作用

CDR有三个优点:第一,它是一个单一变量是与疾病有着密切的联系,特别是与损失RGCs如上所述,因此,本质上是解释和接受眼睛社区;第二,CDR测量可以实现从一个视网膜自动获得的彩色照片,nonmydriatic相机在初级保健办公室转发远程医疗平台专家解读与半自动的方法(26];第三,专家解释,这仍然是费时和昂贵的人类,可以取代人工智能高效、准确地评估我们提出的图像来演示。事实上,我们已经提出了这样一个与hipaa兼容的远程医疗平台,iPredict,必要的人工智能解决方案和报告生成的功能。

引入了一个远程医疗平台,使得基于云处理的人工智能解决方案,广泛和报告生成可以简化评估的过程的图片在手机/平板电脑或低档次的电脑,要求成功glaucoma-suspect筛查在初级保健设置。我们的目标是解决这个iPredict与hipaa兼容的远程医疗平台。

在未来,我们建议使用软件工具的iPredict-glaucoma iPredict平台(https://ipredict.health/)。在线版本的Glaucoma-Suspect筛查系统是可用的https://www.ihealthscreen.org/ipredict-glaucoma/(用户名和密码可以为研究目的通过写作来获得相应的作者)。基于ai远程医疗平台iPredict iHealthscreen公司开发的集成服务器端程序(筛选系统的图像分析和深度学习模块)和本地远程计算机/移动设备(用于收集和上传患者数据和图像)。自动图像首先检查爬坡度artificial-intelligence-based系统开发的房子从3000年眼底图像手动分级爬坡度,和系统实现超过99%的准确率。服务器分析图像,并报告将被发送到远程诊所与个体的筛选结果和进一步的建议。

2.6。资金来源的角色

本研究项目是由美国国立卫生研究院国家眼科研究所,批准号R44EY031202。资金是基于ai黄斑变性筛选通过的初级保健设置。发现这个基于ai工具可以扩展到屏幕青光眼嫌疑犯并帮助可疑青光眼的识别相同的设置。将近一半的青光眼患者并不确定。因此,这个工具,旨在使大规模筛查准时可疑青光眼的识别,提出了防止这种影响视觉疾病。

3所示。结果

两种青光眼模型(CDR≤0.5和0.5以上)实现了89.67%的准确性(95% CI−85.65%至92.87%)的敏感性为83.33% (95% CI−75.44%到89.51%),特异性为93.89% (95% CI - 89.33%至96.91%)以及科恩kappa的0.78 (95% CI 0.71−0.85)高于0.5情况下被认为是积极的。相同的数据的AUC是0.93(0.89 - 0.96),如图4。完整的系统详细的表的结果2。

在外部验证数据集,两种模型的敏感性80.11%(73.64%对85.59%)和特异性为84.96%(81.32%对88.12%)与科恩kappa ORIGA 0.62(0.57 - 0.67)的数据集。相同的数据的AUC是0.85(0.81 - 0.90),如图4。完成外部验证结果数据集可以在表中找到2。

基于云计算和与hipaa兼容的远程医疗平台“iPredict”(https://ipredict.health/)已经验证了图像和数据传输的准确性。我们有近850图像传输和分析AMD筛查和筛选博士4初级保健诊所在皇后区和曼哈顿,纽约,美国。利用我们的平台的初步结果报告(42,43]。我们发现100%的相关性评估结果直接由iPredict图像和图像传输和处理。我们也测试了100图像垂直CDR计算和收到相同的精度。

4所示。讨论

在这项研究中,我们演示了一个准确和完全自动化的深度学习青光眼筛查系统怀疑通过视网膜摄影可能有效的可疑青光眼的识别的初级保健设置。

青光眼是一种流行,致盲疾病在世界范围内很少有症状,直到不可逆转的后期和未确诊的利率接近50%,即使在发达国家(6]。因此,紧迫的公共卫生要求有效的社区筛查。颜色的需要的是更大的社区,与整体比例8:1非白人白人原发性青光眼失明,因为,至少在某种程度上,比白人接受医疗护理在疾病(44),让问题更加复杂的是,还有一个戏剧性的这组早期发病的年龄。在加勒比黑人人口,glaucoma-suspect地位是高在所有年龄组,人口显著患病率甚至不到40岁(45]。

我们展示了几个大型数据集的杯盘比(CDR)可以测量自动从视网膜摄影具有足够精度从nonsuspects和歧视嫌疑,因此,潜在的促进嫌疑人为专业眼科医生的转诊治疗。因此,未来可实现的目标是一个人工智能远程医疗平台,我们当前的方法将被部署在初级保健设置通过远程图像捕获。需要前瞻性试验来确定系统在临床设置的可行性,便宜,自动化nonmydriatic视网膜相机和远程医疗平台图像转移到深度学习筛选系统。这种系统与证明临床试验筛查准确性相比博士专家年级(46]。因此,合理预计,类似的成功可能与青光眼的实现。

国家眼科研究所的一项研究显示,90%的青光眼科目可以通过及时阻止发展为严重的青光眼识别和干预6]。然而,近百分之六十的美国人患有糖尿病跳过年度sight-saving考试初级保健医生的建议(pcp)。如此可怜的合规的糖尿病患者,了解他们的视力的风险,很可能符合眼科检查是一般人群(甚至更糟47]。因此,我们的重点是确定嫌疑人的初级保健设置,不仅让他们需要护理,也消除大量不必要的专家访问青光眼筛查。

医学成像和诊断领域革命性了近年来深度学习的进步。广泛的研究兴趣是使用人工智能所示为解决医疗问题(48]。Ting et al。49)详细的AI在眼科的应用前景。Gulshan et al。50),将在他们的论文显示,人工智能的应用在糖尿病性视网膜病变的眼底图像使用深度学习。最近,我们发布了两个开创性工作晚AMD预测(51在初级保健设置[]和糖尿病筛查46]。也有相当多的研究在其他医学领域如多发性硬化症(52,神经退化53),和年龄相关性黄斑变性54- - - - - -57]。几种人工智能技术(8,9,12- - - - - -14)提出了测量cup-disc比率,但他们并没有验证筛查青光眼嫌疑犯。

我们注意到当前使用彩色眼底成像研究主要集中在检测青光眼,我们认为不是一个适当的选择如果我们遵循青光眼临床设置检测或诊断协议(https://www.aao.org/eye-health/diseases/glaucoma-diagnosis)。因此,在这里,我们的目标是明确分化的青光眼和青光眼的怀疑。青光眼检测是诊断为青光眼,需要青光眼嫌疑人的结构和功能异常,由它的名字暗示,一个类别标记增加疾病的可能性。

李等人。58和et al。59训练计算机算法来检测glaucoma-like盘,定义为一个垂直的CDR 0.7和0.8,分别。一般来说,一只眼睛上方垂直CDR 0.5可疑青光眼患者被认为是(60]。在本文中,我们引入了一个自动cup-disc测量工具,可以确定垂直cup-disc比率高于或低于0.5,结合deep-machine-learning-based工具。我们发表了这种方法,深度学习的整体架构与逻辑树最后,AMD筛查的有效使用,但它是小说的青光眼筛查。远程医疗平台,它可以大规模屏幕青光眼嫌疑人在初级保健设置,赋予重大公共卫生利益的减少从青光眼视力丧失,降低医疗成本。

5。局限性和未来的工作

在我们的测试中,有些低于敏感特异性,,因此,有些失踪的真实情况下的更大风险。在我们未来的工作在这个项目中,我们的目标是理解和预测的医生的需求在这个新方法筛选和优化系统的假阳性和假阴性在一个可接受的比例。小光盘,“病理杯”也难以察觉。几何上,一个小圆盘的CDR 0.7有更健康的神经比正常组织瓣边缘同样的CDR。因此,CDR不对称将是一个合理的筛选程序。可疑青光眼患者在一般情况下,一个临时的诊断通常是给定和CDR不对称(> / = 0.20)61年]。这一标准可以实现在未来版本的DL架构,已经调到CDR的措施。不对称拔火罐的视神经盘被发现在5.6%的正常个体,30%的高血压组与眼部没有领域的缺陷,和建立在36%的慢性开角青光眼和现场损失(62年]。我们注意到我们的算法分类基于垂直CDR的视神经盘基于单一的视网膜图像和不对称的拔火罐可能显示为一个不同的阅读相同的两只眼睛形象,反过来,帮助医生用额外的生物标志物青光眼。同时,我们没有任何数据在屈光不正,高度近视等为研究对象可能是错误的来源解释盘照片和相关的不仅仅是垂直CDR的评估。我们的目标是在未来解决这些问题研究。

6。的优势

该模型是建立在几个大型数据集,在另一个与外部验证。输出是一个理想的二元目标青光眼嫌疑人与单个和容易测量/解释变量高度相关。我们已经成功的一种新颖的混合人工智能方法筛查AMD和博士从眼底照片执行,至少,在文献中其他技术。所以,我们选择了这条路又筛查青光眼怀疑:一个DL技术是第一个训练图像输入产生的概率(一组为每个DL技术)分类图像到疾病状态;这些集合的概率是然后输入一个独立训练的物流模型树作为最终的分类器在这个系统。

青光眼的诊断需要多种结构和功能标准不可用或适当的初级保健设置。据我们所知,我们的系统是唯一一个提出这是一个成熟的,被动筛选系统足够的青光眼筛查嫌疑人与单一疾病标记中可以很容易地获得初级保健设置远程医疗平台上不贵,专用设备或服务。

未来的工作可以携带这些方法进入初级保健设置执行年度这种无声的致盲疾病筛查。我们建议解决这个紧迫的公共卫生需要与未来的前瞻性试验系统低成本、快速的青光眼筛查。这些试验将在我们当前正在进行的建模结果3年试验(IIb阶段SBIR R44EY031202下榻的π,“https://projectreporter.nih.gov/project_info_details.cfm?aid=10010769”)检测和预测AMD的初级保健设置与我们的出版DL算法(51]。一个完整与hipaa兼容功能基于ai远程医疗平台实时诊断已经到位,集服务器端筛查项目(图像分析和深度学习模块)和地方远程设备(用于收集患者的数据和图像)。

7所示。结论

我们已经开发出一个有效的深度学习/物流模型树混合筛选工具可疑青光眼的识别通过垂直CDR nonmydriatic视网膜照片。

在这个工具的基础上,一个完整的人工智能远程医疗平台是设想在未来状态,我们当前的人工智能方法将部署在初级保健设置。全自动相机捕捉图像转移通过云服务器端直接结果和进一步的病人转诊如果需要,与重大公共卫生效益这影响视觉疾病的早期诊断和预防。

数据可用性

的数据支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

a b和a . g .支付员工iHealthscreen Inc . r . t . s .声明没有利益冲突。

作者的贡献

a b和a . g .概念化的研究,制定了方法论,并进行验证;a·g·进行正式的分析和调查;a, b和r . t . s .策划数据;a·G。,R. T. S., and A. B. reviewed and edited the manuscript; R. T. S. supervised the work; and A. B. carried out project administration and acquired funding. All authors have read and agreed to the published version of the manuscript.

确认

本研究项目是由美国国立卫生研究院国家眼科研究所,批准号R44EY031202。资助者没有作用的设计研究;在收集、分析、解释数据;写的手稿;或决定发布结果。

引用

1. Bright-Focus-Foundation”,青光眼的事实和数字,“2020年,http://www.brightfocus.org/glaucoma/article/glaucoma-facts-figures。视图:谷歌学术搜索
2. 福斯特a、c·吉尔伯特和g·约翰逊,“改变模式在全球失明:1988 - 2008,”社区眼睛健康,21卷,不。67,37页,2008年。视图:谷歌学术搜索
3. 美国Resnikoff D Pascolini D Etya 'ale et al .,“全球数据在2002年,视力损害”《世界卫生组织卷,82年,第851 - 844页,2004年。视图:谷歌学术搜索
4. r . n和p . t .新加坡人发现,“原发性开角型青光眼。”《柳叶刀》,卷363,不。9422年,第1720 - 1711页,2004年。视图:出版商的网站|谷歌学术搜索
5. n . e .研究所“青光眼数据和统计数据,2020年,https://www.nei.nih.gov/learn-about-eye-health/resources-for-health-educators/eye-health-data-and-statistics/glaucoma-data-and-statistics。视图:谷歌学术搜索
6. d·戈尔曼“青光眼:防止视觉损害,”2020年,https://www.clinicaladvisor.com/home/features/glaucoma-preventing-the-visual-damage/。视图:谷歌学术搜索
7. j·s·Wittenborn d . b .控制,视力问题的成本:视力丧失和眼部疾病的经济负担在美国,NORC芝加哥大学、芝加哥、IL,美国,2013年。
8. b . Al-Bander w . Al-Nuaimy m . a . Al-Taee y郑,“自动青光眼诊断使用深度学习方法,”学报》2017年第14届国际Multi-Conference系统、信号和设备(SSD)马拉喀什,页207 - 210年,摩洛哥,2017年3月。视图:谷歌学术搜索
9. 陈x, y, d . w . k . Wong和j·刘,t . y . Wong“青光眼检测基于卷积神经网络,”学报2015年第37届国际会议的IEEE在医学和生物工程协会(EMBC),页715 - 718,米兰,意大利,2015年8月。视图:谷歌学术搜索
10. a·j·塔,r . n .发现l·m·赞格威尔j . m . Liebmann c . a . Girkin和f . a . Medeiros”cup-to-disc之间的关系比和估计数量的视网膜神经节细胞,”调查Opthalmology &视觉科学,54卷,不。5,3205 - 3214年,2013页。视图:出版商的网站|谷歌学术搜索
11. m·f·arma”杯/盘比月初开角青光眼,”Ophthalmologica届卡塞尔文献展,26卷,不。1,第533 - 526页,1969。视图:出版商的网站|谷歌学术搜索
12. j . i . e . Prokofyeva奥兰多·m·德尔·弗雷斯诺和m . b . Blaschko“卷积神经网络传输自动青光眼识别”学报》第12届国际研讨会医疗信息处理和分析2016年12月,Tandil、阿根廷、。视图:谷歌学术搜索
13. s . Nawaldgi“审查自动化青光眼的检测技术,”无线通信学报2016年国际会议土耳其毡帽,页1435 - 1438年,摩洛哥,2016年10月。视图:谷歌学术搜索
14. r . Hemelings b·艾伦j . Barbosa-Breda et al .,“准确预测的青光眼彩色眼底图像的卷积神经网络依靠活跃和转移学习,”Acta Ophthalmologica,卷98,不。1,pp. e94-e100, 2020年。视图:出版商的网站|谷歌学术搜索
15. A . Saxena A . Vyas以及l . Parashar,辛格,“青光眼检测使用卷积神经网络,”《2020年国际会议上电子和可持续的通信系统(ICESC)哥印拜陀,页815 - 820年,印度,2020年4月。视图:谷歌学术搜索
16. k·博伊德,“青光眼诊断”,美国眼科学会,2020,https://www.aao.org/eye-health/diseases/glaucoma-diagnosis。视图:谷歌学术搜索
17. “青光眼:每个病人都应该知道的。”约翰霍普金斯医学。,2020)。https://www.hopkinsmedicine.org/wilmer/services/glaucoma/book/ch06s03.html。
18. 蔡和m .《福布斯》医疗管理的青光眼、专业通信、纽约,纽约,美国,第二版,2004年版。
19. 美国眼科学会青光眼基础科学和临床科学课程,2003 - 2004旧金山,美国眼科学会,CA,美国,2003年。
20. j .蔡”,如何评估可疑视神经盘”,对眼科,12卷,不。6,p . 2005。视图:谷歌学术搜索
21. 下榻的饭店,a . Govindaiah和t·史密斯,“基于人工智能的检测工具来识别青光眼嫌疑人从彩色眼底成像,”调查眼科及视觉科学,卷61,不。9日,PB009页,2020年。视图:谷歌学术搜索
22. Age-Related-Eye-Disease-Study-Research-Group”,年龄相关性眼病研究(火鸟):设计的影响。火鸟报告没有。1。”控制临床试验,20卷,不。6,573 - 600年,1999页。视图:谷歌学术搜索
23. a . w . p . Foong S.-M。看到,J.-L。厕所et al .,“以人群为基础的基本原理和方法研究马来眼疾的人:新加坡马来眼研究(西梅斯),“眼科流行病学,14卷,不。1、25 - 35,2007页。视图:出版商的网站|谷歌学术搜索
24. f . Fumero s Alayon j . Sigut, j·l·桑切斯和m . Gonzalez-Hernandez”RIM-ONE:开放视神经视网膜图像数据库进行评估,”学报2011年24日国际研讨会以计算机为基础的医疗系统(cbm)英国布里斯托尔,页1 - 6,2011年6月。视图:谷歌学术搜索
25. “Origa-light:在线为青光眼视网膜眼底图像数据库的分析和研究,”2010年度国际会议的程序IEEE工程在医学和生物学加拿大魁北克,页3065 - 3068,2010年9月。视图:谷歌学术搜索
26. iHealthScreen”Cup-to-Disc比率(CDR)注释器,“iHealthScreen Inc .里士满希尔,纽约,美国,2020年。视图:谷歌学术搜索
27. j . Benesty j .陈黄y,科恩,”皮尔森相关系数”,卷2,页1 - 4。视图:出版商的网站|谷歌学术搜索
28. m . it“颜色恒常性基于局部空间平均颜色,”机器视觉和应用程序,20卷,不。5,283 - 301年,2009页。视图:出版商的网站|谷歌学术搜索
29. 麻省理工学院Razzak、美国纳兹和a . Zaib“深度学习医学图像处理:概述、挑战和未来,“课堂讲稿在计算愿景和生物力学2018年,页323 - 350,https://arxiv.org/abs/1704.0682546。视图:出版商的网站|谷歌学术搜索
30. o . Sagi和l . Rokach”整体学习:一项调查,”威利跨学科评论:数据挖掘和知识发现,8卷,不。4 p . e1249 2018。视图:出版商的网站|谷歌学术搜索
31. c . Szegedy美国约飞,诉Vanhoucke”Inception-v4 inception-resnet和剩余连接对学习的影响,“1 - 12页,2016年,https://arxiv.org/abs/1602.07261。视图:谷歌学术搜索
32. b . Zoph诉Vasudevan, j . Shlens诉勒,“学习转移体系结构可伸缩图像识别”《IEEE计算机视觉与模式识别会议,页8697 - 8710,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
33. f . Chollet”与切除可分离旋转Xception:深入学习,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页1251 - 1258年,美国,2017年6月,你好。视图:谷歌学术搜索
34. c . Szegedy诉Vanhoucke约飞,j . Shlens z . Wojna,“重新考虑初始计算机视觉架构,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页2818 - 2826年,NV,美国,2016年6月。视图:谷歌学术搜索
35. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”先进的神经信息处理系统,第1105 - 1097页,2012年。视图:谷歌学术搜索
36. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”学报ICLR卷,1409年,页1 - 14,2015。视图:谷歌学术搜索
37. g .辛顿,斯利瓦斯塔瓦,k . Swersky“神经网络对机器学习讲座6 mini-batch梯度下降法的概述,“14卷,没有。8,2012。视图:谷歌学术搜索
38. 约飞和c . Szegedy“批量标准化:加速深层网络训练通过减少内部协变量转变,”2015年,https://arxiv.org/abs/1502.03167。视图:谷歌学术搜索
39. a . Nabavizadeh t . Payen a.c. Iuga et al .,“非侵入式杨氏模量的可视化纤维化进展和界定胰腺导管腺癌(PDAC)肿瘤使用简谐运动弹性成像(HME)体内,”开展,10卷,不。10日,4614 - 4626年,2020页。视图:出版商的网站|谷歌学术搜索
40. d . p . Kingma和j .英航“亚当:随机优化方法,”2014年,https://arxiv.org/abs/1412.6980。视图:谷歌学术搜索
41. n .后备军人,m .大厅和e·弗兰克”物流模式树,”机器学习卷,59号1 - 2、161 - 205年,2005页。视图:出版商的网站|谷歌学术搜索
42. 美国Alauddin”,未来的审判基于人工智能的远程医疗平台分层年龄相关性黄斑变性(AMD)的严重程度,”调查眼科及视觉科学,卷61,不。7,1843年,页2020。视图:谷歌学术搜索
43. 下榻的饭店,a . Govindaiah m·侯赛因和r·t·史密斯,”一个自动化的开发和验证基于ai初级保健设置,糖尿病性视网膜病变筛查工具”调查眼科及视觉科学,卷61,不。7,3821年,页2020。视图:谷歌学术搜索
44. r·希勒和h·a·卡恩”从青光眼失明。”美国眼科杂志》,卷80,不。1,第69 - 62页,1975。视图:出版商的网站|谷歌学术搜索
45. c . l . Bokman l·r·帕斯夸里r·k·帕里什和r·k·李,“海地的加勒比黑人人口的青光眼筛查南佛罗里达州,”《公共科学图书馆•综合》,9卷,不。12篇文章ID e115942 2014。视图:出版商的网站|谷歌学术搜索
46. a下榻的饭店”,开发和验证一个自动化的初级保健设置,糖尿病性视网膜病变筛查工具”糖尿病护理,43卷,不。10、pp. e147-e148, 2020年。视图:谷歌学术搜索
47. “百分之六十的美国人患有糖尿病跳过年度sight-saving考试。美国眼科学会的”。(2020),https://www.aao.org/newsroom/news-releases/detail/sixty-percent-americans-with-diabetes-skip-exams。
48. a·贝克尔,“人工智能在医学:今天我们做什么?”卫生政策和技术,8卷,不。2、198 - 205年,2019页。视图:出版商的网站|谷歌学术搜索
49. d . w . Ting, l·r·帕斯夸里·l·彭et al .,“人工智能和深度学习在眼科,”英国眼科学杂志的,卷103,不。2、167 - 175年,2019页。视图:出版商的网站|谷歌学术搜索
50. 诉Gulshan l .彭m . Coram et al .,“深入学习算法的开发和验证检测糖尿病视网膜病变视网膜眼底照片,”《美国医学会杂志》,卷316,不。22日,第2410 - 2402页,2016年。视图:出版商的网站|谷歌学术搜索
51. 下榻的饭店,t . y .汪w . Ting, a . Govindaiah e·h·Souied和r·t·史密斯,”人工智能分层严重的年龄相关性黄斑变性(AMD)和预测后期AMD的发病几率,”平移视觉科技,9卷,不。2,p。2020。视图:出版商的网站|谷歌学术搜索
52. g . Casalino g可以见到效果,A . Consiglio m . Liguori说道,n . Nuzziello d . Primiceri,“微表情的预测模型在小儿多发性硬化检测、建模为人工智能决策,”《为人工智能模拟国际会议上决定188年,页177 -米兰,意大利,2019年9月。视图:出版商的网站|谷歌学术搜索
53. 大肠Lella和g . Vessio合奏复杂网络视角的轻度认知障碍检测与人工神经网络,”模式识别的字母,136卷,2020年。视图:谷歌学术搜索
54. A Govindaiah、t·史密斯和下榻的饭店,”一个新的和改进的方法,自动筛选使用合奏深层神经网络,年龄相关性黄斑变性”学报的年度国际会议IEEE在医学和生物学社会工程,页702 - 705,檀香山,夏威夷,2018年7月。视图:谷歌学术搜索
55. a . Govindaiah a·侯赛因,r .史密斯和下榻的饭店,“深卷积神经网络筛选和评估年龄相关性黄斑变性的眼底图像,”在生物医学成像IEEE国际研讨会,10卷,第1528 - 1525页,2017年。视图:出版商的网站|谷歌学术搜索
56. p . m . Burlina n . Joshi帕切科k·d·d·e·弗洛伊德,j .香港和n·m·布瑞斯勒,“使用深度学习的详细描述和估计5年风险严重程度在年龄相关性黄斑变性患者,”JAMA眼科,卷136,不。12日,第1366 - 1359页,2018年。视图:出版商的网站|谷歌学术搜索
57. f . Grassmann j . Mengelkamp) c Brandl et al .,“深入学习算法预测年龄相关性眼病研究的严重程度量表从彩色眼底摄影,年龄相关性黄斑变性”眼科学,卷125,不。9日,第1420 - 1410页,2018年。视图:出版商的网站|谷歌学术搜索
58. y z . Li,龙骨,w•孟r . t . Chang和m .他“深度学习系统的有效性基于颜色的检测青光眼性视神经病变眼底照片,”眼科学,卷125,不。8,1199 - 1206年,2018页。视图:出版商的网站|谷歌学术搜索
59. d . w . Ting, c .杨绍明。关铭张,g . Lim et al .,“深入学习系统的开发和验证糖尿病视网膜病变及相关眼病使用视网膜图像从多民族人口患有糖尿病,”《美国医学会杂志》,卷318,不。22日,第2223 - 2211页,2017年。视图:出版商的网站|谷歌学术搜索
60. 拔火罐的意思,“MedRounds”, 2020年,http://www.medrounds.org/glaucoma-guide/2006/02/section-1-b-meaning-of-cupping.html。视图:谷歌学术搜索
61. l . Vijaya r·乔治·m·Baskaran et al .,“原发性开角型青光眼患病率在南印度城市人口与农村人口和比较,”眼科学,卷115,不。4、648 - 654年,2008页。视图:出版商的网站|谷歌学术搜索
62. r . s . Fishman“视神经盘不对称”,眼科档案,卷84,不。5,590 - 594年,1970页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Alauddin下榻的饭店等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。