探讨基于深度学习光相干断层扫描(OCT)辅助诊断湿性年龄相关性黄斑变性(wAMD)算法的应用价值。
在仅能提供有无疾病作为标记的前提下，首先基于ResNet-101深度模型训练一个深度神经网络来自动判断患者是否患有wAMD疾病，其次将基于弱监督深度学习的算法应用于OCT图像自动辅助诊断wAMD的疾病区域，同时使用热力图为医生诊断疾病区域提供依据。基于弱监督的深度学习，使用了一种新型的网络算法结构应用于眼科OCT图像的疾病区域检测中，同时通过改进传统病灶区域生成方式来提高病灶热力图的准确性，通过重新组合神经网络中的权重神经元的数值生成病灶热力图，最后通过计算算法预测正确的结果占所有预测结果的比重得到最终的算法准确率。
基于Resnet的深度学习算法对于wAMD的诊断准确率达到94.9%，远高于AlexNet的85.3%、VGG的88.7%和Google-Net的89.2%；同时热力图通过不同的颜色为医生提供更方便的辅助诊断依据。
相比较原始的基于疾病区域标记作为经验知识的分类网络，基于弱监督学习的深度学习算法模型在无需提供疾病区域标记的前提下，不仅在眼底疾病分类上有较好的结果，还能标记潜在的病灶区域，为wAMD的诊断提供病灶区域的判断依据。
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。
年龄相关性黄斑变性(age-related macular degeneration，AMD)是目前全球老年患者致盲的主要原因之一，其中湿性年龄相关性黄斑变性(wet age-related macular degeneration，wAMD)对视力危害较大。wAMD是脉络膜毛细血管在黄斑部突破Bruch膜进入视网膜色素上皮层下或视网膜神经上皮层下，形成脉络膜新生血管(choroidal neovascularization，CNV)，易发生渗漏或出血，损害患者视力，甚至致盲[1,2]。近年来，随着光相干断层扫描(optical coherence tomography，OCT)的发展，医生通过OCT图像可以清楚地观察与视网膜组织结构之间的层次关系。因此，OCT被广泛应用于wAMD患者的诊断、治疗和随访中[3]，且敏感性和特异性较高。但1例患者单次就诊的OCT图像多达三四百张，因此如何充分利用人工智能深度学习方法分析处理这些超大规模的医学图像大数据，为临床医学中各种重大疾病的筛查、诊断、治疗计划、治疗引导、疗效评估和随访提供科学方法和先进技术，是当前医学图像分析领域急需解决的重大科学问题和前沿医学影像关键技术。传统基于监督学习的深度学习方法需要耗费大量的精力和时间标记图像是否患病以及患病区域，基于这2种标注的结果，算法自动学习和优化，最终实现疾病区域的辅助诊断功能，这种算法不仅对医生造成巨大的压力，而且对于不同的疾病种类和病灶特征，需要重复上述的标记过程。本研究中采用一种基于弱监督学习的深度学习算法，在仅依赖图像是否患病的单种标注结果下训练、优化，最终不仅能辅助诊断疾病，同时可快速检测病灶区域，为医生提供医学可解释性依据。
