一种多任务深度学习系统，用于对不同光学相干断层扫描设备的糖尿病黄斑水肿进行分类：多中心分析-研究论文

背景：糖尿病性黄斑水肿 (DME) 是糖尿病 (DM) 患者不可逆视力丧失的主要原因。 我们开发、验证和测试了一个深度学习 (DL) 系统，该系统使用来自三种常见的商用光学相干断层扫描 (OCT) 设备的图像对 DME 进行分类。 方法：我们训练并验证了两个版本的多任务网络来对 DME 进行分类（中心涉及的 DME [CI-DME]、非 CI-DME 或没有 DME）分别使用三维 (3D) 体积扫描和二维 (2D) B 扫描。 总共 73,746 张 OCT 图像用于训练和初步验证。 外部测试使用来自新加坡、香港、美国、中国和澳大利亚的七个独立数据集的 26,981 张图像进行。 结果：在对 DME 的存在或不存在进行分类时，DL 系统实现了接收者操作特征曲线 (AUROC) 下的面积0.937 (95% CI 0.920–0.954)、0.958 (0.930–0.977) 和 0.965 (0.948–0.977) 分别从 Cirrus、Spectralis 和 Triton OCT 获得的主要数据集，除了外部数据集的 A0.09 之外. 对于 CI-DME 和非 CI-DME 亚组的进一步分类，主要数据集的 AUROC 分别为 0.968（0.940-0.995）、0.951（0.898-0.982）和 0.975（0.947-0.991）89，大于 0。外部数据集。 解释：我们用 DL 系统对 DME 进行自动分类展示了出色的性能，突出了其作为 DM 患者二线筛查工具的潜力，这将为三级眼科诊所创建更有效的分类机制。资助：香港研究资助局一般研究基金； 预防失明的研究； 和美国国立卫生研究院资助。利益冲突：我们报告没有与本文相关的潜在利益冲突。伦理批准：此处介绍的当前研究是根据 1964 年赫尔辛基宣言进行的，并得到了当地研究伦理委员会的批准。 由于该研究是对完全匿名的 OCT 图像的回顾性分析，伦理委员会放弃了知情同意的要求。