摘要
目的：电子病历（EMR）中包含的大规模电子影像数据库以及深度神经网络和机器学习技术的进步，为实现自动化图像分析的里程碑提供了独特的机会。光学相干断层扫描（OCT）是眼科中最常用的成像模式，当与从EMR中提取的标签结合时，它代表了一个密集且丰富的数据集。本研究旨在探讨深度学习是否可以用于区分正常OCT图像和年龄相关性黄斑变性（AMD）患者的OCT图像。方法：对OCT影像数据库进行了自动提取，并将其与来自EMR的临床终点关联。使用海德堡Spectralis设备获取了OCT黄斑扫描，每个OCT扫描都与从EPIC系统中提取的EMR临床终点相关联。从两个队列（正常组和AMD组）的每个OCT扫描中选取中央11幅图像。通过随机选择患者子集进行交叉验证。在独立图像层面、黄斑OCT层面和患者层面构建了受试者工作特征曲线下的面积（auROC）。结果：从与EMR临床数据点关联的260万张OCT图像中，选取了52,690张正常黄斑OCT图像和48,312张AMD黄斑OCT图像。训练了一个深度神经网络以将图像分类为正常或AMD。在图像层面，我们达到了92.78%的auROC和87.63%的准确率。在黄斑层面，我们达到了93.83%的auROC和88.98%的准确率。在患者层面，我们达到了97.45%的auROC和93.45%的准确率。最佳阈值下的峰值敏感性和特异性分别为92.64%和93.69%。结论：深度学习技术在分类OCT图像方面是有效的。这些发现对于利用OCT进行自动化筛查和计算机辅助诊断工具具有重要意义。