表1 AI在白内障诊断中的应用综述 Table 1 Review on the application of AI in the diagnosis of cataract
|
||||||||
作者 |
年份 |
数据集 |
图像 数量 |
AI算法(模型) |
准确率/% |
灵敏度/% |
特异度/% |
其他诊断效能 |
Long等[21] |
2017 |
裂隙灯眼前节图像 |
886 |
卷积神经网络 |
96.56 |
— |
— |
— |
Lin等[22] |
2019 |
裂隙灯眼前节图像 |
886 |
卷积神经网络 |
87.4 |
89.7 |
86.4 |
PPV=74.4%; NPV=95.0% |
Jiang等[20] |
2021 |
裂隙灯眼前节图像 |
1 643 |
卷积神经网络(Faster R-CNN、ResNet) |
97.35 |
97.62 |
97.01 |
— |
Li等[24] |
2010 |
裂隙灯眼前节图像 |
>5 000 |
主动形状模型、支持向量机 |
95 |
— |
— |
— |
Keenan等[25] |
2022 |
裂隙灯眼前节图像 |
18 999 |
卷积神经网络(DeepLensNet) |
— |
— |
— |
MSE=171.9 (SD, 38.9) |
Acharya等[7] |
2010 |
裂隙灯眼前节图像 |
2 520 |
反向传播算法、模糊K均值聚类算法和前馈神经网络 |
93.3 |
98 |
100 |
— |
Vasan等[33] |
2023 |
裂隙灯眼前节图像 |
2 619 |
卷积神经网络 |
88 |
96 |
25 |
PPV=92.3%;NPV=57.8% |
Wu等[3] |
2019 |
裂隙灯眼前节图像 |
37 638 |
卷积神经网络(ResNet) |
91.72 |
86.42 |
92.01 |
AUC >0.99 |
Yang等[28] |
2016 |
眼底图像 |
1 239 |
支持向量机、反向传播神经网络 |
93.2 |
— |
— |
— |
Xu等[1] |
2020 |
眼底图像 |
8 030 |
卷积神经网络(AlexNet)、反卷积网络(VisualDN) |
86.24 |
— |
— |
— |
Wu等[27] |
2022 |
眼底图像 |
33 965 |
生成对抗网络、卷积神经网络(Inception-Resnet) |
> 84 |
> 71 |
>89 |
AUC >0.91 |
Xie等[31] |
2023 |
眼底图像 |
8 395 |
卷积神经网络(DenseNet121, Inception V3和ResNet50) |
93.4 |
88.73 |
95.33 |
AUC=0.971 |
Zéboulon等[34] |
2023 |
SS-OCT图像 |
1 326 |
卷积神经网络(U-Net) |
— |
94.4 |
94.7 |
AUC=0.98 |
Son等[8] |
2022 |
裂隙灯眼前节、眼底图像 |
1 972 |
卷积神经网络(ResNet 18, WideResNet 50-2和ResNext 50) |
96.43 |
96.6 |
93.62 |
AUC=0.978 |
注:曲线下面积(area under the curve, AUC);平均绝对误差(mean squared error, MSE);标准差(standard deviation, SD);阳性预测值(positive predictive value, PPV);阴性预测值(negative predictive value, NPV)。 Notes:AUC, area under the curve; MSE, mean squared error; SD, standard deviation; PPV, positive predictive value; NPV, negative predictive value. |
表1 AI在白内障诊断中的应用综述 Table 1 Review on the application of AI in the diagnosis of cataract
|
||||||||
作者 |
年份 |
数据集 |
图像 数量 |
AI算法(模型) |
准确率/% |
灵敏度/% |
特异度/% |
其他诊断效能 |
Long等[21] |
2017 |
裂隙灯眼前节图像 |
886 |
卷积神经网络 |
96.56 |
— |
— |
— |
Lin等[22] |
2019 |
裂隙灯眼前节图像 |
886 |
卷积神经网络 |
87.4 |
89.7 |
86.4 |
PPV=74.4%; NPV=95.0% |
Jiang等[20] |
2021 |
裂隙灯眼前节图像 |
1 643 |
卷积神经网络(Faster R-CNN、ResNet) |
97.35 |
97.62 |
97.01 |
— |
Li等[24] |
2010 |
裂隙灯眼前节图像 |
>5 000 |
主动形状模型、支持向量机 |
95 |
— |
— |
— |
Keenan等[25] |
2022 |
裂隙灯眼前节图像 |
18 999 |
卷积神经网络(DeepLensNet) |
— |
— |
— |
MSE=171.9 (SD, 38.9) |
Acharya等[7] |
2010 |
裂隙灯眼前节图像 |
2 520 |
反向传播算法、模糊K均值聚类算法和前馈神经网络 |
93.3 |
98 |
100 |
— |
Vasan等[33] |
2023 |
裂隙灯眼前节图像 |
2 619 |
卷积神经网络 |
88 |
96 |
25 |
PPV=92.3%;NPV=57.8% |
Wu等[3] |
2019 |
裂隙灯眼前节图像 |
37 638 |
卷积神经网络(ResNet) |
91.72 |
86.42 |
92.01 |
AUC >0.99 |
Yang等[28] |
2016 |
眼底图像 |
1 239 |
支持向量机、反向传播神经网络 |
93.2 |
— |
— |
— |
Xu等[1] |
2020 |
眼底图像 |
8 030 |
卷积神经网络(AlexNet)、反卷积网络(VisualDN) |
86.24 |
— |
— |
— |
Wu等[27] |
2022 |
眼底图像 |
33 965 |
生成对抗网络、卷积神经网络(Inception-Resnet) |
> 84 |
> 71 |
>89 |
AUC >0.91 |
Xie等[31] |
2023 |
眼底图像 |
8 395 |
卷积神经网络(DenseNet121, Inception V3和ResNet50) |
93.4 |
88.73 |
95.33 |
AUC=0.971 |
Zéboulon等[34] |
2023 |
SS-OCT图像 |
1 326 |
卷积神经网络(U-Net) |
— |
94.4 |
94.7 |
AUC=0.98 |
Son等[8] |
2022 |
裂隙灯眼前节、眼底图像 |
1 972 |
卷积神经网络(ResNet 18, WideResNet 50-2和ResNext 50) |
96.43 |
96.6 |
93.62 |
AUC=0.978 |
注:曲线下面积(area under the curve, AUC);平均绝对误差(mean squared error, MSE);标准差(standard deviation, SD);阳性预测值(positive predictive value, PPV);阴性预测值(negative predictive value, NPV)。 Notes:AUC, area under the curve; MSE, mean squared error; SD, standard deviation; PPV, positive predictive value; NPV, negative predictive value. |