【医学影像 AI】系统综述：人工智能算法在 ROP 诊断的应用

业界资讯 2025-04-11 21:06
0 阅读

【医学影像 AI】系统综述：人工智能算法在 ROP 诊断的应用


0. 论文简介

0.1 基本信息

2022年， Australia 的 Ashwin Ramanathan 等在 Eye (Lond) 发表论文 “系统综述：人工智能算法在 ROP 诊断的应用（Artificial intelligence for the diagnosis of retinopathy of prematurity: A systematic review of current algorithms）”。

本文系统性回顾了当前用于早产儿视网膜病变（ROP）诊断的人工智能算法，总结了不同算法的诊断准确性，评估了不同数据集和模型的表现，探讨了血管严重程度评分（VSS）的相关性，提出了诊断ROC曲线下面积（AUROC）的评估。

论文下载： NIH
引用格式：
Ramanathan A, Athikarisamy SE, Lam GC. Artificial intelligence for the diagnosis of retinopathy of prematurity: A systematic review of current algorithms. Eye (Lond). 2023 Aug;37(12):2518-2526. doi: 10.1038/s41433-022-02366-y.

在这里插入图片描述


0.2 摘要

  1. 背景/目的：
    随着早产儿存活率的提高，对提供足够的早产儿视网膜病变（ROP）服务的需求也随之增加。广域视网膜成像技术（WFDRI）和人工智能（AI）在ROP领域显示出巨大的潜力，有望提高诊断性能并减轻筛查眼科医生的工作负担。本综述旨在系统性回顾并总结现有深度学习算法的诊断特性。

  2. 研究对象/方法：两位作者独立进行了文献检索，并纳入了使用视网膜成像中深度学习系统的研究。数据提取、评估和报告遵循PRISMA指南。

  3. 结果：本综述共纳入了27项研究。其中19项研究使用AI系统诊断ROP、分期ROP、诊断是否存在前加或加病（pre-plus or plus disease），或评估视网膜图像质量。纳入的研究报告了研究主要结果的敏感性为71%–100%，特异性为74%–99%，曲线下面积为91%–99%。在整体准确性和敏感性方面，AI技术与眼科医生的评估相当。另有8项研究评估了血管严重程度评分，并能够通过自动分类评分准确区分严重程度。

  4. 结论：人工智能用于ROP诊断是一个不断发展的领域，许多潜在的应用已被确定，包括诊断加病的存在、疾病分期以及新的自动化严重程度评分。AI可以作为临床评估的辅助工具，但目前尚缺乏足够的证据支持其作为唯一诊断工具使用。


1. 引言

早产儿视网膜病变（ROP, Retinopathy of prematurity）是一种影响早产儿的血管增生性疾病[1]。
现代新生儿护理的进步提高了早产儿的存活率，但也导致需要接受ROP筛查的婴儿数量增加。大多数轻度ROP病例会在没有明显临床后遗症的情况下自愈；然而，少数病例（5-10%）需要干预以防止失明[2]。
ROP的发病率因地区而异，主要取决于这些高危婴儿的存活率、氧饱和度目标方案以及氧气使用实践。因此，不同地区的筛查指南也有所不同[3]。
根据《国际早产儿视网膜病变分类标准》（ICROP），ROP通过定义病变位置（I-III区）、范围（病变的时钟小时数）、分期（1-5期）、是否存在“plus”或“pre-plus”病变以及是否存在侵袭性ROP（以前称为后部侵袭性ROP）来描述[4-7]。

在当前的临床实践中，诊断依赖于经验丰富的眼科医生使用双目间接检眼镜检查（BIO）或解读广域数字视网膜成像（WFDRI）[3]。
这种方法可能存在医生之间的差异和不一致性[8]。在某些国家，经验丰富的眼科医生资源有限。过去十年中，全球一些医疗服务机构已转向由非眼科医生（如护士、非医生影像技师）主导的WFDRI筛查，以应对上述挑战[9]。然而，在大多数情况下，图像解读仍由眼科医生完成，这仍然需要眼科医生投入大量时间和精力。
人工智能（AI）的整合被认为是进一步减少工作量并提高筛查效率的另一种可能解决方案。
关键问题在于，AI是否能够安全地识别所有可能发展为威胁视力的ROP的婴儿。

迄今为止，已有许多研究描述了AI在ROP评估和诊断中的作用。本系统综述的目的是综合当前文献中的证据，分析这些算法的诊断性能，并探讨AI在ROP领域中的机遇与挑战。


2. 人工智能术语

  • 深度学习（Deep Learning, DL）网络
    深度学习网络能够逐步从输入数据中学习，而无需针对特定任务进行专门编程。然而，它需要对模型进行大量训练。深度学习利用多层人工神经网络来构建一个强大的算法，能够执行高复杂性任务，例如图像识别（见图1）。

  1. 人工神经网络（Artificial Neural Networks, ANNs）
    人工神经网络旨在模拟人脑中的神经活动，由多个相互连接的人工神经元组成，用于传递信息[10]。一个简单的人工神经网络结构通常仅包含三层，因此往往仅对单一特定任务有效，缺乏通用性[11]。

  2. 卷积神经网络（Convolutional Neural Networks, CNNs）
    卷积神经网络是人工神经网络的一个子集，特别适用于图像处理和认知任务。它们能够保留图像中像素之间的空间关系，并且可以通过训练滤波器来提取特定特征[12]。一旦经过适当训练，卷积神经网络理论上应具备对未标注数据进行准确图像分类的能力，其分类依据可能是人类无法评估的特征。这些算法的训练过程涉及输入人工标注的原始数据，这些数据通过算法的多层结构进行处理，从而使卷积神经网络能够自主学习图像特征。


图1：深度学习框架的图解表示。
在这里插入图片描述


3. 材料与方法

3.1 检索策略

由两位作者（A R 和 S E）独立使用在线数据库（PubMed、Ovid Medline、Google Scholar 和 Embase）对文献进行全面系统综述，检索时间范围为2000年1月1日至2021年12月31日。
作者经过讨论后确定了适当的检索词：（“Retinopathy of Prematurity” OR “ROP” OR “Plus Disease”）AND（“Deep learning” OR “Machine learning” OR “Artificial Intelligence” OR “Convolutional neural networks” OR “CNN” OR “Artificial Neural Network” OR “Automated Diagnosis”）。
除了全面的数据库检索外，我们还查阅了相关研究的参考文献，以寻找更多符合条件的出版物。本系统综述的报告遵循了PRISMA声明的指南[13]。


3.2 纳入与排除标准

通过检索确定的所有出版物均由作者独立评估其是否适合纳入本系统综述。作者根据预先制定的纳入和排除标准筛选相关研究。任何分歧均通过作者之间的讨论解决。

本综述的纳入标准如下：

  • 以英文发表
  • 发表于2000年至2021年12月之间
  • 原创研究文章
  • 采用全自动深度学习系统进行研究

符合以下任一标准的研究将被排除：

  • 未使用全自动深度学习系统，即诊断仍需临床医生/人工解读
  • 算法中包含生物特征信息（如胎龄或出生后体重增长）
  • 无法获取全文
  • 动物模型

3.3 数据提取

在确定最终符合条件的出版物列表后，两位作者（A R 和 S E）从每项研究中提取相关数据点。对于诊断类型研究，主要结果指标包括敏感性、特异性、准确性以及受试者工作特征曲线下面积（AUROC）。AUROC用于量化测试对二元结果的分类能力，0.5表示随机分类，1.0表示完美测试[14]。在使用血管严重程度评分（VSS）的研究中，记录VSS的平均值或中位数作为主要结果。

我们还提取了其他数据，包括图像数据集、样本量和测试组大小、用于拍摄视网膜图像的相机型号、发表年份以及所使用的模型类型。


4. 结果

4.1 文献筛选

通过对文献的全面检索，共筛选出1006篇潜在文章。在审查已纳入研究的参考文献后，新增了2篇研究。我们排除了所有重复文献（167篇），并对标题和摘要进行了简要审查，以排除不相关的研究（785篇）。随后，对剩余的56篇文章进行了详细分析和审查，其中29篇因不符合纳入标准被排除。最终，共有27篇研究符合全部纳入标准（19项诊断准确性研究和8项使用VSS的研究）。详见图2。


在这里插入图片描述

4.2 研究特征

表1 展示了19项研究的结果，这些研究评估了不同AI系统在诊断或评估ROP方面的表现。
这些研究发表于2016年至2021年间，均采用了深度学习（DL）系统。其中7项研究涉及对ROP图像与非ROP图像的区分，7项研究进一步将ROP图像按分期分类，9项研究基于加病或前加病的存在对图像进行区分，另有3项研究关注视网膜图像的质量。各研究使用的图像数量差异较大，其中5项研究使用了i-ROP联盟数据库中的图像。数据集中位数（IQR）为4861（3975），测试集中位数为244（1642）。


请添加图片描述
请添加图片描述


表2总结了8项使用DL衍生的VSS对ROP进行分类的研究。
请添加图片描述

由于研究结果的异质性，诊断指标无法进行合并分析，主要是个别总结。

4.3 图像质量评估

两项独立的研究训练了卷积神经网络（CNN）来自动评估视网膜图像数据库的质量[15, 16]。每项研究使用了不同的CNN模型：VGG-19和Inception-V3。
第一项研究使用了3073张图像的测试集，报告了AUROC为0.96。第二项研究的测试集较小，为2109张图像，但AUROC更高，为0.97。Wang等人也评估了图像质量，作为多样化结果的一部分，其AUROC同样高达0.99[17]。
这些结果证实，捕获的数字视网膜图像质量足以支持进一步分析，并且其表现与专家水平相当。这为后续利用这些图像进行诊断和分类的研究奠定了基础。


4.4 ROP与非ROP的区分

共有七项纳入的研究旨在识别ROP的存在[18–24]。
每位作者使用了多种不同的CNN结构，但均报告了令人信服的效能。数据集的数量差异较大，总图像和测试集的平均数（标准差）分别为9679（6806）和1400（1314）。六项研究（其中一项未报告准确性）的平均（标准差）准确性为95.7%（2.36）。平均敏感性（n = 5）为97%（1.10）。
包括Huang等人[18]和Zhang等人[22]在内的多项研究应用了多种不同的CNN模型来比较其在检测ROP方面的能力。Huang等人使用了五种预训练模型：VGG16、VGG19、MobileNet、InceptionV3和DenseNet，而Zhang等人则使用了多种带有SE-HBP的ResNet网络。Huang等人试验中分类ROP与非ROP的最高统计性能由VGG19实现，其准确性为96.0%，敏感性为96.6%，特异性为95.2%。尽管五项研究中所有测试数据集在区分ROP与非ROP方面均表现出较高统计效能，但Zhang等人取得了最高准确性，记录为98%的准确性，其敏感性、特异性和AUROC分别为99%、98%和99%[24]。
Wang等人通过将CNN算法与基于云端的远程医疗计算系统集成，开展了其AI诊断平台的实际临床实验[21]。参与的中国医院临床眼科医生将常规筛查程序中捕获的未经处理的原始视网膜图像上传至CNN系统附带的网站。在上传的944张图像中，全自动化框架记录的准确性为95.6%，但正确标注ROP与非ROP的敏感性仅为84.9%。


4.5 Pre-plus 和 Plus 病变 vs 正常

九项研究开发了深度学习（DL）系统，用于区分存在 plus 病变 的图像与无 plus 病变证据的图像[17, 25–32]，其中四项研究还旨在分类 pre-plus 病变[25, 27–29]。Pre-plus 病变 被定义为两个或更多象限的动脉迂曲和静脉扩张。
这九项研究中，每项研究使用的平均（标准差，SD）图像总数为 8915（10621）张，平均（SD）测试数据集为 1489（3021）张。在六项提供数据的研究中，诊断 plus 病变的平均（SD）敏感性为 89.2%（9.46）。
对于诊断 pre-plus 病变（n=4），敏感性略高，为 91.3%（6.76）。自动系统诊断 plus 病变的平均（SD）准确性为 91.5%（3.30）。遗憾的是，四项研究中只有一项提供了诊断 pre-plus 病变的准确性（81%）。


4.6 ROP 分期

八项研究旨在根据疾病严重程度，对已识别为具有 ROP 特征的图像进行进一步分类。这些研究对 ROP 的分类差异较大，对“轻度”到“重度”ROP 的定义各不相同。例如：

  • Huang 等人[19] 和 Hu 等人[20] 将轻度 ROP 定义为 1 期和 2 期，重度 ROP 定义为 3-5 期。
  • Tong 等人[26] 则使用轻度（1 期或 2 期，无 plus 病变；常规观察）、半紧急（1 期或 2 期，有 plus 病变；建议转诊）和紧急（3 期、4 期或 5 期，有或无 plus 病变；紧急转诊治疗）对图像进行分类。
  • Zhang 等人[22] 和 Wang 等人[21] 在其分级系统中纳入了 侵袭性后部 ROP（AP-ROP）。
  • Wang 等人[17] 的最新研究不仅包括后部病变，还包括出血的存在，其敏感性、特异性和 AUROC 分别为 0.97、0.96 和 1.0，这是其他研究中未描述的。
  • Redd 等人是唯一一项区分 1 型 ROP 的研究，并描述了高达 0.94 的敏感性[30]。

在同一项临床研究中，Wang 等人发现，尽管诊断 ROP 与非 ROP 的准确性较高，但算法对 ROP 严重程度的分级能力较弱，准确性显著降低，仅为 76.4%[21]。


4.7 血管严重程度评分（VSS）

表 2 总结了所有目前使用 DL 衍生的 VSS 来监测和分类 ROP 的研究。

共纳入八项研究[33–40]，其中五项旨在使用自动系统根据严重程度或分类（如 plus 病变或需要治疗的 ROP（TR-ROP）为图像分配适当的 VSS。在所有研究中，plus 病变的 VSS 高于 pre-plus 病变和无 plus 病变。例如：

  • Campbell 等人在两项独立研究中报告，无 plus 病变的平均（SD）VSS 为 2.4（0.8），中位数（IQR）为 1.8（1.3–2.4）；pre-plus 病变为 4.7（1.1）和 3.5（2.4–4.3）；plus 病变为 7.7（1.0）和 6.2（5.3–6.9），评分范围为 1 到 9[33, 34]。
  • Choi 等人同样报告了 plus 病变的平均评分为 7.4（1.9）[35]。
  • Bellsmith 等人能够报告 AP-ROP 的 VSS 显著高，为 8.8（8.2–9.0），而无 AP-ROP 的 TR-ROP 为 7.2（5.3–8.7）[36]。
  • Taylor 等人使用 VSS 监测 ROP 随时间的进展，并将 TR-ROP 的平均 VSS 分类为 7.5[37]。
  • Gupta 等人使用 VSS 监测激光或抗 VEGF 治疗后的进展，描述了治疗时 VSS 峰值为 7.43，治疗后两周显著下降至 4.00[38]。抗 VEGF 治疗组的 VSS 平均变化更高。Brown 等人同样监测了贝伐单抗治疗后的疾病消退情况，描述了治疗后 VSS 显著下降[39]。

此外，Mao 等人监测了雷珠单抗治疗后血管参数的变化，发现治疗后每个时间点的严重程度均显著下降[25]，而 Lepore 等人能够在经过荧光素血管造影的独特数据集中区分“需要治疗”和“不需要治疗”，准确性为 0.88[41]。然而，这两项研究均未使用 VSS。


## 5. 讨论

随着更多极低胎龄早产儿存活下来，对快速、可靠且高效的诊断工具的需求日益增加，以辅助 ROP 筛查过程。双目间接检眼镜检查（BIO）的局限性已被广泛报道，例如 CRYO-ROP [42] 和 ET-ROP [43] 研究中，首次和第二次 BIO 检查结果的不一致率分别为 12% 和 15%。最近的研究表明，专家之间和专家内部在解读广域数字视网膜成像（WFDRI）图像时也存在类似的变异性[8, 44]。为了克服这种变异性，深度学习（DL）和人工智能（AI）系统正在开发并逐步应用于更广泛的医疗领域。关键问题是，当前可用的卷积神经网络（CNN）算法是否能够减少诊断中的不确定性，以及这些算法是否能够帮助眼科医生，尤其是在中低收入国家，这些地区的疾病负担高，而获得专业护理和筛查的机会相对较少。在本系统综述中，我们综合了现有文献中关于使用 AI 程序增强 ROP 诊断和筛查能力的证据。

根据 ET-ROP 试验[43]，需要治疗的 ROP（称为 1 型 ROP）包括所有伴有 plus 病变的 ROP 病例以及 I 区无 plus 病变的 3 期病例。大多数已测试的算法基于 plus 病变的变化，因此存在漏诊 I 区无 plus 病变的 3 期病例的风险。值得注意的是，在 e-ROP 研究中，48.5% 的 2 型 ROP 或需要复查的 ROP（RW ROP）婴儿没有任何 plus 病变[45]。尽管多项研究尝试区分 1 型和 2 型 ROP，并对轻度和重度 ROP 的定义有所不同，但只有 Redd 等人[30] 能够使用 DL 方法区分 1 型、2 型和具有临床意义的 ROP。这种区分是决定治疗的关键，对临床影响最大。在 Wang 等人的研究中，临床应用中 ROP 严重程度分级的准确性较低，仅为 76.4%[21]。

Li 等人报告了一种替代的血管严重程度评分（Deep ROP 评分），将血管严重程度分为 1-100 级[46]。Deep ROP 评分在检测 1 型 ROP 和 2 型 ROP 时的 AUROC 分别为 0.981 和 0.986，基于 54626 张图像。在假设的 35 分截断值下，所有重度 ROP（1 型和 2 型）病例均被识别。与 i-ROP-DL 相比，该评分旨在识别分期而非 plus 病变。Coyner 等人报告了一种风险预测模型，使用胎龄和 VSS 预测需要治疗的 ROP，其敏感性为 100%，阴性预测值为 80.8%[47]。

尽管 AI 在医疗领域具有显著的潜在益处，但它也可能引发重大的伦理和法律问题，医学界及社会各界对此表达了多种担忧。Reddy 等人指出了一些突出的伦理挑战，包括 AI 偏见、医疗数据和隐私、患者和临床医生对未知机制的信任、算法安全性和责任问题[48]。在广泛实施之前，需要强有力的治理，专业机构需与监管机构合作以解决这些问题。

总结来说，我们可以得出以下结论：

  1. 全自动诊断算法可用于评估视网膜图像并高准确性诊断 ROP；

  2. AI 系统可用于对 ROP 图像的严重程度进行分类；

  3. AI 系统可用于诊断 pre-plus 和 plus 病变；

  4. VSS 是一种新的自动化分类系统，具有良好的客观性和准确性；

  5. VSS 可用于监测治疗前后 ROP 的进展。

关键问题仍然是 AI 算法是否能够识别需要干预的婴儿，目前这一决策基于病变位置、严重程度和 plus 病变的评估。尽管 AI 在单独识别这些特征方面取得了成功，但将这些特征结合起来测试的研究有限。此外，为了使 AI 更广泛适用，我们首先需要一种更便宜、更普及的成像系统，以及经过适当培训的劳动力以获取可解读的高质量图像。

本综述的局限性

研究结果的异质性使得数据汇总和性能分析变得困难。DL 算法的准确性和可靠性在很大程度上取决于用于训练系统的数据的质量和数量。自动化系统的训练过程仍需要人工参与，需要对训练图像进行准确标注，早期阶段的标注不准确可能会影响程序的整体效果。此外，需要大量训练图像以实现通用性。

尽管本综述中的研究报告了高性能，但这通常仅限于研究环境。大多数纳入的研究是回顾性的，使用的是从图像档案中获取的图像集，而非前瞻性招募。通常仅使用高质量图像，这可能无法反映临床实际情况。只有两篇论文报告了开发的 AI 系统在真实世界临床中的应用[21, 40]。拟议系统的大规模试验尚未在临床环境中进行，因此无法评论研究环境之外的结果可重复性和使用可行性。


5. 结论

AI 在 ROP 中有潜力改变诊断模式。研究已确定了许多潜在用途，包括 ROP 和 plus 病变的自动诊断、疾病分期以及新的自动化严重程度评分。然而，大多数研究独立评估了 ROP 诊断标准的不同组成部分。要取代现有系统，AI 需要以 100% 的准确性一致识别需要治疗的婴儿，并通过在真实世界临床环境中进行大规模研究克服与 AI 实施相关的其他挑战。


6. 全文概况

先前已知的内容：

  • 人工智能（AI）在早产儿视网膜病变领域的应用已被评估，旨在提高诊断性能并减轻筛查眼科医生的工作负担。

本研究的贡献：

  • 本系统综述发现，AI诊断算法在疾病分类（ROP分期、前加或加病的诊断）中表现出中等到较高的准确性（敏感性为71%–100%，特异性为74%–99%，曲线下面积为91%–99%）。
  • 利用AI技术促进诊断和决策，并减轻专家负担的潜力存在；然而，当前的深度学习算法存在局限性（仅限于研究环境中的测试，以及与临床实践的有限整合）。
  • 在实施之前，需要解决技术、伦理和治理方面的挑战。

数据可用性：
本研究中生成和/或分析的数据集可根据合理请求从通讯作者处获得。


7. 参考文献

  1. Quinn GE. Retinopathy of prematurity blindness worldwide: phenotypes in the third epidemic. Eye Brain. 2016;8:31–6. doi: 10.2147/EB.S94436.
  2. National Eye Institute. Retinopathy of Prematurity: National Institutes of Health. 2019. https://www.nei.nih.gov/learn-about-eye-health/eye-conditions-and-diseases/retinopathy-prematurity.
  3. Fierson WM. Screening examination of premature infants for retinopathy of prematurity. Pediatrics. 2018;142:e20183061. doi: 10.1542/peds.2018-3061.
  4. Jefferies AL, Society CP. Fetus, Committee N. Retinopathy of prematurity: An update on screening and management. Paediatr Child Health. 2016;21:101–4. doi: 10.1093/pch/21.2.101.
  5. International Committee for the Classification of Retinopathy of Prematurity. An international classification of retinopathy of prematurity. The Committee for the Classification of Retinopathy of Prematurity. Arch Ophthalmol. 1984;102:1130–4. doi: 10.1001/archopht.1984.01040030908011.
  6. International Committee for the Classification of Retinopathy of Prematurity. The International classification of retinopathy of prematurity revisited. Arch Ophthalmol. 2005;123:991–9. doi: 10.1001/archopht.123.7.991.
  7. Chiang MF, Quinn GE, Fielder AR, Ostmo SR, Chan RV, Berrocal A, et al. International classification of retinopathy of prematurity, Third Edition. Ophthalmology. 2021;128:e51–e68. doi: 10.1016/j.ophtha.2021.05.031.
  8. Gschließer A, Stifter E, Neumayer T, Moser E, Papp A, Pircher N, et al. Inter-expert and intra-expert agreement on the diagnosis and treatment of retinopathy of prematurity. Am J Ophthalmol. 2015;160:553–60.
  9. Athikarisamy SE, Lam GC, Ross S, Rao SC, Chiffings D, Simmer K, et al. Comparison of wide field imaging by nurses with indirect ophthalmoscopy by ophthalmologists for retinopathy of prematurity: A diagnostic accuracy study. BMJ Open. 2020;10:e036483. doi: 10.1136/bmjopen-2019-036483.
  10. Ranschaert ER, Morozov S, Algra PR. Artificial intelligence in medical imaging: Opportunities, applications and risks. 2019, p. 39–48.
  11. Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Deep learning for healthcare: Review, opportunities and challenges. Brief Bioinforma. 2018;19:1236–46. doi: 10.1093/bib/bbx044.
  12. Choi RY, Coyner AS, Kalpathy-Cramer J, Chiang MF, Campbell JP. Introduction to machine learning, neural networks, and deep learning. Transl Vis Sci Technol. 2020;9:14. doi: 10.1167/tvst.9.2.14.
  13. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffman TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. doi: 10.1136/bmj.n71.
  14. Zweig MH, Campbell G. Receiver-operating characteristic (ROC) plots: A fundamental evaluation tool in clinical medicine. Clin Chem. 1993;39:561–77. doi: 10.1093/clinchem/39.4.561.
  15. Coyner AS, Swan R, Brown JM, Kalpathy-Cramer J, Kim SJ, Campbell JP, et al. Deep learning for image quality assessment of fundus images in retinopathy of prematurity. AMIA Annu Symp Proc. 2018;2018:1224–32.
  16. Coyner AS, Swan R, Campbell JP, Ostmo S, Brown JM, Kalpathy-Cramer J, et al. Automated fundus image quality assessment in retinopathy of prematurity using deep convolutional neural networks. Ophthalmol Retin. 2019;3:444–50. doi: 10.1016/j.oret.2019.01.015.
  17. Wang J, Ji J, Zhang M, Lin JW, Zhang G, Gong W, et al. Automated explainable multidimensional deep learning platform of retinal images for retinopathy of prematurity screening. JAMA Netw Open 2021;4:e218758.
  18. Huang YP, Vadloori S, Chu HC, Kang EY, Wu WC, Kusaka S, et al. Deep learning models for automated diagnosis of retinopathy of prematurity in preterm infants. Electronics 2020;9:1444.
  19. Huang YP, Basanta H, Kang EY, Chen KJ, Hwang YS, Lai CC, et al. Automated detection of early-stage ROP using a deep convolutional neural network. Br J Ophthalmol. 2021;105:1099–103.
  20. Hu J, Chen Y, Zhong J, Ju R, Yi Z. Automated analysis for retinopathy of prematurity by deep neural networks. IEEE Transactions Med Imaging 2018;38:269–79.
  21. Wang J, Ju R, Chen Y, Zhang L, Hu J, Wu Y, et al. Automated retinopathy of prematurity screening using deep neural networks. EBioMedicine. 2018;35:361–8. doi: 10.1016/j.ebiom.2018.08.033.
  22. Zhang R, Zhao J, Xie H, Wang T, Chen G, Zhang G, et al. Automatic diagnosis for aggressive posterior retinopathy of prematurity via deep attentive convolutional neural network. Expert Sys Appl. 2021;187:115843.
  23. Attallah O. DIAROP: Automated deep learning-based diagnostic tool for retinopathy of prematurity. Diagnostics (Basel) 2021;11:2034. doi: 10.3390/diagnostics11112034.
  24. Zhang Y, Wang L, Wu Z, Zeng J, Chen Y, Tian R, et al. Development of an automated screening system for retinopathy of prematurity using a deep neural network for wide-angle retinal images. IEEE Access. 2018;7:10232–41. doi: 10.1109/ACCESS.2018.2881042.
  25. Mao J, Luo Y, Liu L, Lao J, Shao Y, Zhang M, et al. Automated diagnosis and quantitative analysis of plus disease in retinopathy of prematurity based on deep convolutional neural networks. Acta Ophthalmologica. 2020;98:e339–e45. doi: 10.1111/aos.14264.
  26. Tong Y, Lu W, Deng QQ, Chen C, Shen Y. Automated identification of retinopathy of prematurity by image-based deep learning. Eye Vis. 2020;7:40. doi: 10.1186/s40662-020-00206-2.
  27. Yildiz VM, Tian P, Yildiz I, Brown JM, Kalpathy-Cramer J, Dy J, et al. Plus disease in retinopathy of prematurity: Convolutional neural network performance using a combined neural network and feature extraction approach. Transl Vis Sci Technol. 2020;9:10-. doi: 10.1167/tvst.9.2.10.
  28. Tan Z, Simkin S, Lai C, Dai S. Deep learning algorithm for automated diagnosis of retinopathy of prematurity plus disease. Transl Vis Sci Technol. 2019;8:23-. doi: 10.1167/tvst.8.6.23.
  29. Brown JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RV, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136:803–10. doi: 10.1001/jamaophthalmol.2018.1934.
  30. Redd TK, Campbell JP, Brown JM, Kim SJ, Ostmo S, Chan RV, et al. Evaluation of a deep learning image assessment system for detecting severe retinopathy of prematurity. Br J Ophthalmol. 2019;103:580. doi: 10.1136/bjophthalmol-2018-313156.
  31. Ramachandran S, Niyas P, Vinekar A, John R. A deep learning framework for the detection of Plus disease in retinal fundus images of preterm infants. Biocybern Biomed Eng. 2021;41:362–75. doi: 10.1016/j.bbe.2021.02.005.
  32. Worrall DE, Wilson CM, Brostow G. Automated Retinopathy of Prematurity Case Detection with Convolutional Neural Networks. Deep Learning and Data labeling for Medical Applications; 2016, p. 68–76.
  33. Campbell JP, Kim SJ, Brown JM, Ostmo S, Chan RV, Kalpathy-Cramer J, et al. Evaluation of a Deep Learning-Derived Quantitative Retinopathy of Prematurity Severity Scale. Ophthalmology 2021;128:1070–6.
  34. Campbell JP, Singh P, Redd TK, Brown JM, Shah PK, Subramanian P, et al. Applications of Artificial Intelligence for Retinopathy of Prematurity Screening. Pediatrics 2021;147:e2020016618.
  35. Choi RY, Brown JM, Kalpathy-Cramer J, Chan RV, Ostmo S, Chiang MF, et al. Variability in plus disease identified using a deep learning-based retinopathy of prematurity severity scale. Ophthalmol Retin. 2020;4:1016–21. doi: 10.1016/j.oret.2020.04.022.
  36. Bellsmith KN, Brown J, Kim SJ, Goldstein IH, Coyner A, Ostmo S, et al. Aggressive posterior retinopathy of prematurity: Clinical and quantitative imaging features in a large North American Cohort. Ophthalmology. 2020;127:1105–12. doi: 10.1016/j.ophtha.2020.01.052.
  37. Taylor S, Brown JM, Gupta K, Campbell JP, Ostmo S, Chan RV, et al. Monitoring disease progression with a quantitative severity scale for retinopathy of prematurity using deep learning. JAMA Ophthalmol. 2019;137:1022–8. doi: 10.1001/jamaophthalmol.2019.2433.
  38. Gupta K, Campbell JP, Taylor S, Brown JM, Ostmo S, Chan RV, et al. A quantitative severity scale for retinopathy of prematurity using deep learning to monitor disease regression after treatment. JAMA Ophthalmol. 2019;137:1029–36. doi: 10.1001/jamaophthalmol.2019.2442.
  39. Brown JM, Campbell JP, Beers A, Chang K, Donohue K, Ostmo S, et al. Fully automated disease severity assessment and treatment monitoring in retinopathy of prematurity using deep learning. Med Imaging 2018;10579:149–55.
  40. Greenwald MF, Danford ID, Shahrawat M, Ostmo S, Brown JM, Kalpathy-Cramer J, et al. Evaluation of artificial intelligence-based telemedicine screening for retinopathy of prematurity. J AAPOS. 2020;24:160–2. doi: 10.1016/j.jaapos.2020.01.014.
  41. Lepore D, Ji MH, Pagliara MM, Lenkowicz J, Capocchiano ND, Tagliaferri L, et al. Convolutional neural network based on fluorescein angiography images for retinopathy of prematurity management. Transl Vis Sci Technol. 2020;9:37. doi: 10.1167/tvst.9.2.37.
  42. Cryotherapy for Retinopathy of Prematurity Cooperative Group. Multicenter trial of cryotherapy for retinopathy of prematurity: ophthalmological outcomes at 10 years. Arch Ophthalmol. 2001;119:1110–8. doi: 10.1001/archopht.119.8.1110.
  43. Good WV. Final results of the Early Treatment for Retinopathy of Prematurity (ETROP) randomized trial. Trans Am Ophthalmol Soc. 2004;102:233–50.
  44. Chiang MF, Jiang L, Gelman R, Du YE, Flynn JT. Interexpert agreement of plus disease diagnosis in retinopathy of prematurity. Arch Ophthalmol. 2007;125:875–80. doi: 10.1001/archopht.125.7.875.
  45. Quinn GE, Ying GS, Daniel E, Hildebrand PL, Ells A, Baumritter A, et al. Validity of a telemedicine system for the evaluation of acute-phase retinopathy of prematurity. JAMA Ophthalmol. 2014;132:1178–84. doi: 10.1001/jamaophthalmol.2014.1604.
  46. Li J, Huang K, Ju R, Chen Y, Li M, Yang S, et al. Evaluation of artificial intelligence-based quantitative analysis to identify clinically significant severe retinopathy of prematurity. Retina. 2022;42:195–203. doi: 10.1097/IAE.0000000000003284.
  47. Coyner AS, Chen JS, Singh P, Schelonka RL, Jordan BK, McEvoy CT, et al. Single-examination risk prediction of severe retinopathy of prematurity. Pediatrics. 2021;148:e2021051772. doi: 10.1542/peds.2021-051772.
  48. Reddy S, Allan S, Coghlan S, Cooper P. A governance model for the application of AI in health care. J Am Med Inf Assoc. 2020;27:491–7. doi: 10.1093/jamia/ocz192.

版权说明：
本文由 youcans@xidian 对论文 “Artificial intelligence for the diagnosis of retinopathy of prematurity: A systematic review of current algorithms” 进行摘编和翻译。该论文版权属于原文期刊和作者，本译文只供研究学习使用。

youcans@xidian 作品，转载必须标注原文链接：
【医学影像 AI】系统综述：人工智能算法在 ROP 诊断的应用(https://youcans.blog.csdn.net/article/details/146365189)
Crated：2025-03

猜你喜欢

目录

热门文章