基于深度学习模型进行屈光不正与玻璃膜疣的相关性分析

摘要

目的:采用深度学习模型对彩色眼底图像中的玻璃膜疣进行自动判读,并进一步探讨屈光不正与玻璃膜疣的相关关系.方法:病例对照研究.选取2017年1-12月在宁波市医疗中心李惠利医院行健康体检且年龄大于50岁的参与者,共1 035例(2055眼)的彩色眼底图像,使用DeepSeeNet深度学习模型对彩色眼底图像进行自动分析判读,按玻璃膜疣大小进行分组.同时随机选择392张(19.1％)彩色眼底图像采用人工阅片方法对玻璃膜疣大小进行判读,采用Cohen's Kappa检验比较2种判读方法的一致性.根据电脑验光数据计算等效球镜度(SE),并分为中重度远视(＞+3.0 D)、轻度远视(+0.51 ～ +3.0 D)、正视(-0.5 ～ +0.5 D)、轻度近视(-3.0～-0.51 D)、中重度近视(＜-3.0 D).应用Logistic回归模型进行屈光不正与玻璃膜疣的相关性分析.结果:深度学习模型对玻璃膜疣大小判读与人工阅片结果具有高度一致性(κ=0.67,P＜0.001).在矫正性别、年龄等因素后,SE向正方向增加与大玻璃膜疣发生风险相关(OR=1.03,95％CI: 1.01 ～ 1.04,P＜0.001).中高度近视为玻璃膜疣的保护因素,与正视者相比,中重度近视者发生大玻璃膜疣的风险为0.89 (95％CI: 0.82 ～ 0.97);相反,中高度远视为危险因素,与正视者相比其发生大玻璃膜疣的风险为1.20 (95％CI: 1.03～1.39).结论:屈光不正与玻璃膜疣的发生相关.深度学习作为一种新型技术,除了可以增强医师临床诊断的速度和精准性,同样可以为年龄相关性黄斑变性相关的科研提供线索.