External Validation of Deep Learning OCTA Quality Control for Foveal Avascular Zone Analysis
本研究表明，经过微调的 DenseNet-161 深度学习流水线能够有效进行用于黄斑无血管区分析的 OCTA 图像质量分类，并在外部数据集上表现出良好的性能，从而提供了一种在广泛临床部署前仍需进一步验证的自动化预筛查工具。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类的眼睛是生物工程学的奇迹，但其内部结构如此微小且脆弱，以至于哪怕是最轻微的模糊也可能掩盖关键细节。为了研究视网膜（位于眼球后部的感光组织），医生经常使用一种被称为光学相干断层扫描血管造影（OCTA）的技术。这种方法可以创建详细且无创的地图，展示为眼睛提供营养的微细血管，并揭示它们的血液流动情况，而无需向血液中注射任何染料。这些地图对于理解诸如糖尿病视网膜病变（血管受损）或黄斑变性（视网膜中心部分退化）等疾病至关重要。然而，这些图像非常脆弱。患者的眼睛可能会轻微移动，对焦可能会偏移，或者信号可能会减弱，从而产生看起来像血管但实际上只是误差的伪影。如果计算机试图测量一个特定的区域，例如黄斑无血管区（视网膜正中心一个天然的无血管小圆圈），在模糊或抖动的图像上进行测量，得到的结果将会是错误的。几十年来，检查这些图像质量一直是一项缓慢的手动任务，由人类专家逐一决定一张图像是否清晰到足以信任。
来自瑞士和荷兰医院及大学的一个研究小组开发了一种利用人工智能自动执行这种质量检查的新方法。他们创建了一个数字系统，旨在充当“守门员”，能够瞬间从数千张视网膜图像中进行筛选，将清晰可用的图像与模糊不可用的图像区分开来。该系统的构建方法是教给计算机程序（即深度学习模型）如何识别好图像与坏图像之间的区别。研究人员首先向计算机输入了来自洛桑朱尔·贡兰眼科医院（Jules-Gonin Eye Hospital）的数千张图像，在这些图像中，人类专家已经预先将每张图片标记为高质量或低质量。计算机学会了识别人类所关注的运动模糊、对焦不良或信号丢失的细微迹象。训练完成后，研究人员使用来自鹿特丹伊拉斯姆斯大学医学中心（Erasmus MC）的一组全新的图像对系统进行了测试，该中心是另一家拥有不同设备和患者的医院。至关重要的是，研究人员没有教计算机关于鹿特丹图像的新知识；他们只是让系统应用在洛桑学到的知识，看看它是否仍能在这种新环境下分辨出优劣。
测试结果表明该系统确实有效，但也存在重要的局限性。当计算机查看来自鹿特丹医院的22张图像时，它正确识别图像质量的准确率约为64%。它在识别坏图像方面表现尤为出色，能正确剔除87.5%的低质量图片。这是一个非常有价值的特性，因为这意味着该系统不太可能让模糊且具有误导性的图像溜过去，从而破坏最终的测量结果。然而，该系统在确认哪些图像确实是“好”的方面表现较差，这意味着它有时会丢弃那些本可以使用的图片。研究人员发现，虽然该系统能够在不需要针对新医院进行重新训练的情况下成功区分好坏图像，但其表现并非完美。研究明确指出，目前的准确水平尚不足以声称该系统可以在没有进一步测试的情况下，普遍适用于所有不同类型的照相机或医院。
研究人员谨慎地解释说，这个工具并不是解决眼科成像所有问题的万灵药。该系统对每张图片做出的都是一个简单的“全或无”的决策：它要么保留整张图像，要么拒绝该图像。它无法观察单张图片并说：“上半部分很模糊，但下半部分很清晰”，也无法解释被拒绝的图像究竟哪里出了问题。此外，这项研究并未证明使用该系统能改善最终的医学测量结果或节省医生的时间；它仅证明了该系统可以进行图像分类。团队建议，为了使该工具在临床环境中真正发挥作用，需要在大规模人群中对其进行测试，并将其与人类专家进行直接对比，以观察它是否真的能帮助医生做出更好的决策。目前，这种自动化的质量控制提供了一个充满前景的第一步，为处理现代眼科研究产生的海量图像提供了途径，但在它可以独立工作之前，它仍然是一个需要人类监督和进一步完善的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。