探讨一种基于深层卷积神经网络的眼科B型超声图像诊断系统的临床应用价值。
收集2018年1月至2020年10月于武汉大学人民医院眼科中心进行眼科B型超声检查的1 278例受试者3 600张B型超声图像，以此构建图像数据集，由3位资深专业眼科医师对图像进行标记。将数据集分为训练集2 812张图像和测试集788张图像，采用深度学习算法构建诊断模型，检测模型识别视网膜脱离(RD)、玻璃体积血(VH)及玻璃体后脱离(PVD)的准确性。选取120张独立于数据库的B型超声图像，由3位高年资眼科超声医生进行评估并记录评估时间，并与模型评估结果进行对比分析。另选取8位低年资临床医生模型辅助前后分别对独立于数据库的另外150张眼科B型超声图像进行评估，对2次评估结果进行差异分析以评估模型辅助效果。
本诊断模型识别正常眼、RD、VH、PVD以及其他疾病的准确度分别为0.954、0.909、0.881、0.990和0.920。人机对比中，模型识别各类眼底疾病的准确度与高年资医师相近，评估图像的时间约为高年资医生的1/2。经模型辅助后，8位低年资医师诊断准确度均有显著提升(P<0.01)。
该智能评估模型诊断RD、VH、PVD的准确度较高，并能提高临床诊断效率，较好地辅助临床医生进行评估。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
视网膜脱离(retinal detachment，RD)是眼科常见的致盲眼病之一，其发病率为6.3/10万人~17.9/10万人[1]。RD患者可能出现突发性、无痛性视力丧失，初期可表现为闪光感、眼前漂浮物及幕状黑影遮挡。若不及时诊疗，可能导致严重视功能损伤，甚至致盲[2,3]。玻璃体后脱离(posterior vitreous detachment，PVD)的症状与6%~18%的RD发生有关[4]，若患者同时存在玻璃体积血(vitreous hemorrhage，VH)，RD的发生率可升至30%，甚至90%[5]。美国管理医疗网数据分析显示，眼科急诊就诊人次占所有急诊的3.4%[6]。RD、VH及PVD为眼科急诊常见就诊病因[7]。在我国，RD、VH及PVD患病人数多，是临床常见眼科病症[8,9]。RD患者需要眼科医生的紧急诊疗，而VH和PVD患者通常仅需门诊密切随访[10]。因此，临床上快速、准确地区分这3种疾病非常重要。眼科B型超声作为眼科常用检查，具有实时性较好、经济性高、方便快捷、无创伤性等优势，可在屈光间质不透明的情况下对眼后节情况进行评估，是目前临床常用、基层普及率较高的辅助诊断工具[7]。在实际临床工作中，眼科B型超声阅片对医师经验有一定要求，医师往往需经过专门培训，才能初步分辨RD、VH、PVD[11]。鉴于临床B型超声检查基数大、基层医院操作医生水平有限等问题，提高B型超声图像在RD、VH及PVD中的诊断效率及准确度、减轻医疗负担是当前亟待解决的问题。近年来，人工智能(artificial intelligence，AI)在眼科发展迅速，其在辅助白内障、糖尿病视网膜病变、早期青光眼等疾病的诊断筛查方面取得了重大突破[12,13,14]，AI在读片速度及诊断准确性上体现出极大优势，在部分疾病辅助诊断水平上接近高级别临床医师[15]。因此，将AI技术应用于眼科B型超声图像的辅助识别或可提高急诊及基层医院临床诊疗的效率及质量。本研究拟探讨AI辅助下的眼科B型超声评估对临床的应用价值，探索玻璃体及视网膜疾病筛查、诊疗及智能医疗普及的新方法。
