作者投稿
专家审稿
编辑办公
邮件订阅
RSS
The Application and Research Progress of Artificial Intelligence in Corneal Related Diseases
-
摘要: 人工智能(artificial intelligence，AI)是计算机领域的前沿科学，近年来在众多领域发展迅猛，其在眼科的研究和应用也日益增多。AI在角膜相关疾病领域的研究主要包括圆锥角膜的早期诊断及分级、角膜屈光手术相关评估、感染性角膜炎的分类及程度判断、角膜移植术后再干预的评估等，主要采用的算法包括神经网络、支持向量机及决策树，模型的灵敏度和特异度均达90%以上。AI可为医生提供客观的临床决策、为患者提供精准的治疗奠定基础。本文将对近年来AI在角膜相关疾病领域的应用研究进行综述。Abstract: Artificial intelligence(AI)is the frontier of computer science. In recent years, AI has developed rapidly in many fields, and its research in ophthalmology is also increasing. The research of AI in corneal related diseases mainly includes the early diagnosis and grading of keratoconus, preoperative evaluation of corneal refractive surgery, prediction of surgical parameters, judgment of the classification and degree of infectious keratitis, evaluation of reintervention after corneal transplantation, auxiliary detection of corneal nerve endings in diabetic peripheral neuropathy, and screening of pterygium. Through the neural network, the support vector machine, and the decision tree, the sensitivity and specificity of the model can reach more than 90%. AI can provide objective clinical decision-making for clinicians and precise clinical treatments for patients. This article reviews the research of AI in corneal diseases in recent years.
-
Keywords:
- artificial intelligence /
- corneal diseases /
- keratoconus /
- refractive surgery
-
侵袭性真菌感染(invasive fungal infections，IFI)是导致免疫功能低下人群死亡的重要原因之一，近年来占院内感染的比例逐年增加，其中念珠菌感染已跃居院内感染第4位[1-2]。ICU患者病情危重、免疫稳态失衡，且中心静脉置管、气管与尿管插管等侵入性操作多，是IFI的高危人群[3]，研究表明重症患者IFI发生率高达50%[4]。因此，探究真菌感染现状及其危险因素，不仅有助于院感工作的改进，且对改善ICU重症患者预后具有重要意义。
西藏地区平均海拔在4000 m以上，具有低氧含量、低气温、低气压、气候干燥、紫外线照射强等特点，长期生活在该地区的人群呈现出特殊的代谢特征[5]，其真菌感染情况亦可能异于平原地区的人群。目前，高海拔地区重症患者真菌感染相关研究较少。本研究探究西藏地区成人重症患者真菌检出现状，并进一步分析真菌检出的影响因素，旨在为该地区真菌感染防控工作提供借鉴。
1. 资料与方法
1.1 研究对象及分组
1.1.1 研究对象
本研究为回顾性分析。纳入2018年1月1日至2019年12月31日西藏自治区人民医院重症医学科诊治的全部成人重症患者。重症患者诊断标准：入ICU时急性生理学和慢性健康状况评价Ⅱ(acute physiology and chronic health evaluationⅡ, APACHE Ⅱ)≥8分。排除标准：(1)在高海拔地区生活时间不足3个月；(2)ICU住院时间＜48 h。
本研究已通过西藏自治区人民医院伦理审查委员会审批(审批号：ME-TBHP19-26)。
1.1.2 分组
根据送检标本真菌检出结果，将患者分为真菌检出阳性组、真菌检出阴性组。
1.2 研究方法
1.2.1 资料收集
通过电子病历系统收集患者的临床资料，包括(1)一般资料：性别、年龄、居住地海拔、患者来源、合并疾病及住院原因等；(2)入院前14 d内广谱抗菌药物、免疫抑制剂使用情况；(3)入ICU时实验室检测指标：总胆红素、血肌酐、血红蛋白、白细胞等；(4)疾病严重程度：入ICU时APACHE Ⅱ评分、序贯性器官衰竭评分(sequential organ failure assessment, SOFA)(入ICU后第1个24 h内测得的最高值)；(5)入院后主要干预措施：手术、管路植入及抗菌药物使用情况；(6)ICU住院时间。
1.2.2 标本送检
收集患者ICU住院期间的送检标本，包括痰液、血液、脑脊液、尿液、导管引流液及其他标本(包括切口分泌物、浆膜腔积液、咽拭子等)。标本的采集方法严格按照《全国临床检查操作规程》执行[6]。标本采集后即刻送检，室温条件放置时间不超过2 h。若痰液以及尿液标本无法2 h内送检，可置于4 ℃冰箱储存，但储存时间不超过24 h。记录检出阳性菌株。若同一患者同一部位标本多次留取，病原体检测结果相同且药敏试验结果相同，记录为1株病原体。同一患者任意部位标本检出真菌即为真菌检出阳性，若患者所有送检标本均未检出真菌，即为真菌检出阴性。
1.2.3 药敏试验结果判定
采用K-B扩散纸片法进行药敏试验。参与药敏试验的药物包括两性霉素B、氟胞嘧啶、氟康唑、伊曲康唑、伏立康唑。依据美国临床和实验室标准化协会(Clinical and Laboratory Standards Institute, CLSI)M27-S4标准[7]对药敏试验结果进行判读。
1.3 偏倚控制
为减小信息偏倚，于资料收集阶段使用电子病历系统尽可能广泛地收集患者多方面客观指标资料。
1.4 统计学处理
采用SPSS 22.0软件进行统计学分析。年龄、APACHE Ⅱ评分、血红蛋白水平为正态分布计量资料，以均数±标准差表示，组间比较采用独立样本t检验；居住地海拔、SOFA评分等为非正态分布计量资料，以中位数(四分位数)表示，组间比较采用Mann-Whitney U检验。性别、患者来源、合并疾病等为计数资料，以例数(百分数)表示，组间比较采用卡方检验或Fisher精确概率法。将单因素分析有统计学意义的指标纳入多因素Logistic回归分析，以筛选真菌检出的影响因素。双侧检验，以P＜0.05为差异具有统计学意义。
2. 结果
2.1 一般临床资料
共纳入755例符合纳入和排除标准的成人重症患者(送检标本4917份)。其中真菌检出阳性组142例、真菌检出阴性组613例。
4917份送检标本中，来自痰液3231份(65.7%)、血液543份(11.0%)、脑脊液405份(8.2%)、尿液189份(3.9%)、导管引流液127份(2.6%)、其他标本422份(8.6%)。共检出阳性真菌192株，其中念珠菌183株(95.3%)、曲霉7株(3.7%)、其他真菌2株(1.0%)。念珠菌中，白色念珠菌164株(89.6%)、光滑念珠菌9株(4.9%)、近平滑念珠菌7株(3.8%)、克柔念珠菌2株(1.1%)、热带念珠菌1株(0.6%)。曲霉中，烟曲霉3株(42.8%)、黑曲霉2株(28.6%)、黄曲霉2株(28.6%)。真菌检出阳性的标本来源分别为痰液115株(59.9%)、尿液22株(11.5%)、血液3株(1.6%)、导管引流液42株(21.9%)、创面分泌物4株(2.0%)、其他标本6株(3.1%)。
药敏试验结果显示，除克柔念珠菌对氟康唑天然耐药外，尚未发现其他耐药菌株。
2.2 真菌检出阳性组与真菌检出阴性组患者临床资料比较
真菌检出阳性组与真菌检出阴性组患者在居住地海拔，SOFA评分，合并糖尿病、慢性阻塞性肺疾病、慢性消化系统疾病、冠状动脉粥样硬化性心脏病的比例，住院原因，白细胞减少的比例，血肌酐，血红蛋白水平方面存在显著性差异(P均＜0.05)。两组年龄、性别、患者来源等均无显著性差异(P均＞0.05)，见表 1。
表 1 真菌检出阳性组与真菌检出阴性组患者临床资料比较指标 真菌检出阳性组(n=142) 真菌检出阴性组(n=613) P值 年龄(x±s, 岁) 53.59±15.24 51.03±15.48 0.073 男性[n(%)] 96(67.6) 390(63.6) 0.372 居住地海拔[M(P25, P75), m] 3680(3650, 3992) 3680(3680, 4020) 0.026 疾病严重程度 APACHE Ⅱ评分(x±s, 分) 16.55±5.83 15.75±5.69 0.133 SOFA评分[M(P25, P75), 分] 10(7, 11) 7(6, 9) ＜0.001 患者来源[n(%)] 0.216 急诊转入 45(31.7) 159(26.0) 0.164 院内其他科室转入ICU 93(65.5) 444(72.4) 0.100 院外转入 4(2.8) 10(1.6) 0.345# 合并疾病[n(%)] 糖尿病 14(9.9) 27(4.4) 0.010 慢性阻塞性肺疾病 7(4.9) 11(1.8) 0.027 慢性消化系统疾病 30(21.1) 79(12.9) 0.012 高血压 54(38.0) 188(30.7) 0.098 冠状动脉粥样硬化性心脏病 14(9.9) 37(6.0) 0.032 实体肿瘤 10(7.0) 35(5.7) 0.972 入院前14 d内使用广谱抗菌药物[n(%)] 2(1.4) 5(0.8) 0.859# 入院前14 d内使用免疫抑制剂[n(%)] 3(2.1) 5(0.8) 0.365# 住院原因[n(%)] 0.013 休克 10(7.0) 36(5.9) 0.600 呼吸系统重症 21(14.8) 52(8.5) 0.022 神经系统重症 65(45.8) 336(54.8) 0.600 消化系统重症 30(21.1) 83(13.6) 0.022 妇产科重症 2(1.4) 34(5.5) 0.037# 多发伤 6(4.2) 38(6.2) 0.366 其他 8(5.7) 34(5.5) 0.967 实验室检测指标 总胆红素[M(P25, P75), μmol/L] 19.70(11.70, 34.42) 17.90(11.10, 28.21) 0.171 血肌酐[M(P25, P75), μmol/L] 77.25(56.00, 118.00) 64.00(48.70, 88.50) ＜0.001 血红蛋白(x±s, g/L) 128.83±42.02 143.38±39.63 ＜0.001 白细胞减少*[n(%)] 8(5.6) 12(2.0) 0.014 APACHE Ⅱ：急性生理学和慢性健康状况评价Ⅱ；SOFA：序贯性器官衰竭评分；*ICU血常规检查白细胞计数低于4.0×109/L；#采用Fisher精确概率法 2.3 真菌检出阳性组与真菌检出阴性组患者入院后主要干预措施及ICU住院时间比较
真菌检出阳性组与真菌检出阴性组患者在中心静脉置管留置时间≥24 h、气管插管时间≥48 h、碳青霉烯类药物使用时间≥24 h、糖肽类药物使用时间≥24 h、头孢菌素类+β-内酰胺酶抑制剂药物使用时间≥24 h、糖肽类+碳青霉烯类药物使用时间≥24 h的比例及ICU住院时间方面存在显著性差异(P均＜0.05)。两组在其他主要治疗措施方面均无显著性差异(P均＞0.05)，见表 2。
表 2 真菌检出阳性组与真菌检出阴性组患者入院后主要干预措施及ICU住院时间比较指标 真菌检出阳性组(n=142) 真菌检出阴性组(n=613) P值 手术[n(%)] 腹腔手术 22(15.5) 115(18.8) 0.363 胸腔手术 5(3.5) 37(6.0) 0.239 颅脑手术 52(36.6) 232(37.9) 0.786 其他部位手术 5(3.5) 37(6.0) 0.239 未行手术 58(40.9) 192(31.3) 0.103 管路植入[n(%)] 中心静脉置管留置时间≥24 h 111(78.2) 405(66.1) 0.014 尿管植入时间≥48 h 134(94.4) 555(90.5) 0.146 气管插管时间≥48 h 109(76.8) 328(53.5) 0.000 住院期间抗生素使用情况[n(%)] 碳青霉烯类药物使用时间≥24 h 68(47.9) 112(18.3) 0.000 糖肽类药物使用时间≥24 h 52(36.6) 88(14.4) 0.000 头孢菌素类+β-内酰胺酶抑制剂药物使用时间≥24 h 75(52.8) 170(27.7) 0.000 青霉素类+β-内酰胺酶抑制剂药物使用时间≥24 h 72(50.7) 308(50.2) 0.921 喹诺酮类药物使用时间≥24 h 13(9.2) 39(6.4) 0.236 糖肽类+碳青霉烯类药物使用时间≥24 h 40(28.2) 52(8.5) 0.000 ICU住院时间[M(P25, P75), d] 9(4, 13) 6(3, 11) 0.000 2.4 真菌检出影响因素的多因素Logistic回归分析
以单因素分析差异有统计学意义的指标以及年龄(基于临床经验考虑)为自变量，真菌检出结果为因变量进行多因素Logistic回归分析。其中年龄、居住海拔、SOFA评分、血肌酐、血红蛋白、ICU住院时间为连续变量，经Box-Tidwell分析证实其与因变量的Logit转换值存在线性关系，故直接进入回归模型(未转换为分类变量)。同时考虑海拔的影响，将居住海拔分别以“m”“100 m”“500 m”为单位进入回归模型。结果显示，高SOFA评分、消化系统重症、气管插管时间≥48 h、碳青霉烯类药物使用时间≥24 h、头孢菌素类+β-内酰胺酶抑制剂类药物使用时间≥24 h、长ICU住院时间是成人重症患者真菌检出的独立危险因素，高居住地海拔、高血红蛋白水平是其保护因素，见表 3。
表 3 真菌检出影响因素的多因素Logistic回归分析结果指标 β值 SE Wald χ2 OR(95% CI) P值 年龄 0.005 0.007 0.417 1.005(0.990~1.019) 0.518 居住地海拔1 0.000 0.000 4.227 0.999(0.999~1.000) 0.040 居住地海拔2 -0.560 0.027 4.227 0.946(0.897~0.997) 0.040 居住地海拔3 -0.279 0.136 4.227 0.756(0.580~0.987) 0.040 SOFA评分 0.338 0.047 50.826 1.402(1.277~1.538) ＜0.001 合并疾病 糖尿病 0.748 0.480 2.431 2.113(0.825~5.413) 0.119 慢性阻塞性肺疾病 0.274 0.620 0.196 1.315(0.390~4.433) 0.658 慢性消化系统疾病 -0.096 0.300 0.102 0.909(0.505~1.634) 0.749 冠状动脉粥样硬化性心脏病 0.719 0.483 2.220 2.053(0.797~5.288) 0.136 住院原因 呼吸系统重症 0.384 0.369 1.087 1.469(0.713~3.025) 0.297 消化系统重症 0.983 0.307 10.270 2.671(1.465~4.872) 0.001 妇产科重症 -1.369 0.860 2.534 0.254(0.047~1.372) 0.111 入院时实验室检测指标 白细胞减少 0.940 0.594 2.499 2.559(0.798~8.204) 0.114 血肌酐 0.001 0.001 1.475 1.001(0.999~1.002) 0.225 血红蛋白 -0.006 0.003 5.412 0.994(0.988~0.999) 0.020 入院后主要治疗措施 中心静脉置管留置时间≥24 h 0.458 0.269 2.909 1.581(0.934~2.677) 0.088 气管插管时间≥48 h 0.979 0.256 14.609 2.661(1.611~4.397) 0.000 碳青霉烯类药物使用时间≥24 h 1.039 0.316 10.828 2.825(1.522~5.245) 0.001 糖肽类药物使用时间≥24 h 0.363 0.440 0.680 1.437(0.607~3.404) 0.410 头孢菌素类+β-内酰胺酶抑制剂药物使用时间≥24 h 0.985 0.238 17.105 2.678(1.679~4.272) 0.000 糖肽类+碳青霉烯类药物使用时间≥24 h 0.023 0.571 0.002 0.978(0.319~2.996) 0.969 ICU住院时间 0.042 0.016 7.031 1.043(1.011~1.076) 0.008 SOFA：同表 1；居住地海拔1：回归分析时以“m”为单位；居住地海拔2：回归分析时以“100 m”为单位；居住地海拔3：回归分析时以“500 m”为单位 3. 讨论
真菌在自然界分布广泛，且多数对人体无害，但少数侵袭性真菌具有致病性。随着广谱抗菌药物、免疫抑制剂的广泛应用，IFI逐渐引起临床关注。尤其ICU重症患者，免疫功能低、住院时间长、侵入性操作多、抗菌药物与免疫抑制剂应用时间长，更易合并真菌感染。与细菌感染相比，真菌感染具有治疗时间长、预后差的特点。以念珠菌感染为例，多项回顾性研究显示，念珠菌血症患者的死亡率为46%~75%，经研究人群匹配后，念珠菌血症死亡率亦可达10%~49%[8]。2020年《中国成人念珠菌病诊断与治疗专家共识》指出，侵袭性念珠菌病的致死率为40%~60%[9]，因此真菌感染不容忽视。本研究对西藏地区ICU成人重症患者送检标本真菌检出情况进行分析，结果显示755例患者中，142例(18.8%) 真菌检出阳性；进一步分析发现，真菌检出阳性的影响因素包括患者居住地海拔、SOFA评分、住院原因、实验室检测指标、气管插管时间、抗菌药物使用时间以及ICU住院时间等多个方面。
3.1 真菌检出情况及病原体分布
真菌对生长环境的温度(最适宜生存的温度为22 ℃~37 ℃)和湿度(最适宜生存的相对湿度为95%~100%)要求较高，耐紫外线、不耐热，其在不同地区间的分布存在明显差异[10-11]。西藏地区气候干燥、昼夜温差大、紫外线照射较强，不利于环境中常见病原微生物生存，以致该地区的真菌分布情况异于平原地区。随着我国西部地区经济快速发展、人群交流进一步频繁以及真菌检出技术不断进步，西藏地区临床工作中重症患者真菌检出阳性已不再罕见。但既往多数研究主要局限于海拔对微生物多样性的影响[12]，以及牲畜真菌感染相关疾病[13]，尚缺乏针对该地区重症患者这一特殊群体的报道。
本研究结果显示，755例成人重症患者中，真菌检出阳性率为18.8%，稍高于既往国内平原地区相关报道结果(5.47%~13.96%)[14-15]。可能原因：文献中均为真菌感染，而本研究仅为真菌检出情况，未对真菌感染与定植进行区分，以致真菌检出率增高。
念珠菌是常见的真菌，包括白色念珠菌、光滑念珠菌、热带念珠菌等，常引起机体深部真菌感染。孙艾丝等[16]对云南地区人类免疫缺陷病毒感染者/艾滋病患者深部真菌感染特征调查后发现，念珠菌感染最常见(占43.3%)。岳磊等[17]在广州医科大学附属脑科医院ICU患者深部真菌感染的调查中显示，真菌感染病原体以白色念珠菌(75.25%)为主，其次为光滑念珠菌(10.22%)、热带念珠菌(9.82%)、克柔念珠菌(1.77%)、近平滑念珠菌(1.57%)和丝状真菌(1.38%)。目前，尚未见西藏地区重症患者真菌检出病原体分布的相关报道。本研究结果显示，检出阳性的192株真菌中，念珠菌最常见(占95.3%)，与上述报道结果类似。但本研究检出阳性的念珠菌中，白色念珠菌具有绝对优势(占89.6%)，显著高于中国医院侵袭性真菌监测网相关数据(白色念珠菌检出率所占比例为44.9%)[9]，其原因尚不清楚。同时，本研究白色念珠菌检出株数位居西藏自治区人民医院重症医学科所有病原体检出数目第2位，仅次于肺炎克雷伯菌。假设真菌检出即为真菌感染，则与既往报道中念珠菌感染位居院内感染第4位的结果存在差异[1-2]，提示西藏地区医务工作者应重视重症患者念珠菌感染情况。此外，一项针对中国67家医院ICU患者的多中心、前瞻性、观察性研究结果表明，非白色念珠菌所致的感染占比高于白色念珠菌[18]。国外有研究显示，白色念珠菌引起的深部真菌感染发病率近年呈下降趋势[19]。但西藏地区检出真菌菌种分布的变化趋势尚需进一步观察。
有研究表明曲霉是引起深部真菌感染的第2常见病原体[20]，其中烟曲霉为最常见的致病菌。本研究共检出曲霉7株(3.7%)，其中烟曲霉3株、黑曲霉2株、黄曲霉2株，与平原地区研究结果不一致。可能原因：与曲霉的生存环境相关，其主要寄生于人体皮肤，而西藏地区气候干燥、昼夜温差大，不适合曲霉生存，以致曲霉检出率降低。本研究药敏试验结果显示，除克柔念珠菌对氟康唑天然耐药外，尚未发现其他耐药菌株，提示西藏地区成人重症患者检出的真菌尚未出现明显耐药性。但随着抗真菌药物的广泛应用，真菌流行病学特征正在发生改变，既往较少见的致病菌被报道的次数明显增多[21]，应警惕“超级真菌”的出现。
3.2 真菌检出的影响因素
本研究在真菌检出危险因素的分析中，除纳入常见的患者因素和主要治疗措施外，同时引入了患者居住地海拔和血红蛋白水平2项与西藏地区人群关系密切的指标。随海拔升高，氧含量降低，为适应低氧环境，高海拔地区生活人群的红细胞代谢相关指标明显升高。多因素Logistic回归分析在排除居住地海拔和血红蛋白共线性后，发现随着居住海拔增高，成人重症患者真菌检出风险降低，且居住地海拔相差越大，此种影响越明显。可能原因：海拔越高，越不适合真菌生存。随着血红蛋白水平增高，重症患者真菌检出风险亦降低，其原因尚不清楚。除此之外，本研究发现长ICU住院时间、消化系统重症、高SOFA评分、碳青霉烯类药物使用时间≥24 h、头孢菌素类+β-内酰胺酶抑制剂类药物使用时间≥24 h、气管插管时间≥48 h均为成人重症患者真菌检出的独立危险因素，可能原因：该类患者病情危重、住院时间长且侵入性操作多，同时抗菌药物广泛、长时间使用造成菌群失调，发生真菌感染及真菌检出的风险显著增加。
本研究局限性：(1)为单中心回顾性研究，研究对象均为西藏自治区人民医院重症医学科诊治的重症患者，其代表性需进一步验证；(2)未对不同部位标本的真菌检出情况进行比较，而不同部位感染的真菌流行病学因素可能不同。
综上，西藏地区成人重症患者真菌检出现象并非少见，白色念珠菌是检出的主要菌株。长ICU住院时间、气管插管≥48 h、消化系统重症、高SOFA评分、碳青霉烯类药物使用时间≥24 h、头孢菌素类+β-内酰胺酶抑制剂类药物使用时间≥24 h是真菌检出的独立危险因素，而高居住地海拔、高血红蛋白水平是其保护因素。除居住地海拔为环境因素外，其他影响因素均为患者个体因素及入院后医疗干预因素，而后者正是院感预防控制策略实施的着眼点。此外，西藏地区环境干燥，多数真菌难以生存，人体肠道可能是真菌最大的载体，对于住院的重症患者，肠内营养的给予及大便的科学管理可能是减少消化系统真菌检出、预防真菌感染的突破口。
作者贡献：狄宇负责查阅文献、撰写论文；李莹负责指导论文写作方向、审阅及修订论文。利益冲突：无 -
表 1 圆锥角膜相关AI研究
年份(年) 研究者 图像采集仪器 样本量(n) 分组情况 输入参数 AI算法 评价指标 AUC 灵敏度 特异度 2020 Kuo[16] TMS-4 326 圆锥角膜组，正常对照组 / VGG16 0.931 0.917 0.944 Inception 0.931 0.917 0.944 V3 0.958 0.944 0.972 2019 Kamiya[17] CASIA 304 Ⅰ~Ⅳ级圆锥角膜组，正常对照组 / ResNet152 / 1.000 0.984 2019 Lavric[18] Pentacam 1350 圆锥角膜组，正常对照组 / CNN 0.993 / / 2019 Issarti[19] Pentacam 838 中重度圆锥角膜组，可疑圆锥角膜组，正常对照组 / FNN 0.966 0.956 0.978 2018 Yousefi[20] CASIA 3156 Ⅰ~Ⅳ级圆锥角膜组，正常对照组 420个 非监督ML / 0.977 0.941 2017 Hidalgo[21] Pentacam 135 圆锥角膜组，角膜屈光术后组，正常对照组 22个 CNN 0.989 0.991 0.985 2016 Hidalgo[22] Pentacam 860 圆锥角膜组，顿挫型圆锥角膜组，正常对照组 25个 SVM 0.989 0.991 / 2016 Kovács[23] Pentacam 135 双侧圆锥角膜组，单侧圆锥角膜组，正常对照组 15个 MLPNN 0.99 0.901.00 0.900.95 2013 Smadja[24] Gailei 372 圆锥角膜组，顿挫型圆锥角膜组，正常对照组 55个 决策树 / 0.995 1.00 2012 Arbelaez[25] Sirius 3502 圆锥角膜组，顿挫型圆锥角膜组，角膜屈光术后组，正常对照组 7个 SVM 0.982 0.95 0.993 2010 Souza[26] OrbscanⅡ 318 圆锥角膜组，角膜屈光术后组，正常对照组 / SVM 0.99 1.00 1.00 MLPNN 0.99 1.00 1.00 RBFNN 0.99 0.98 0.98 2005 Twa[27] Keratron 244 圆锥角膜组，正常对照组 / 决策树 0.93 0.93 0.92 2002 Accardo[28] EyeSys 396 圆锥角膜组，正常对照组 9个 CNN 0.967 0.976 0.941 1997 Smolek[29] TMS-1 300 圆锥角膜组，可疑圆锥角膜组 10个 CNN 1.00 1.00 1.00 AI：人工智能；AUC：曲线下面积；CNN：卷积神经网络；FNN：前馈神经网络；ML：机器学习；SVM：支持向量机；MLPNN：多层感知器神经网络；RBFNN：径向基函数神经网络 
下载: 导出CSV
-
[1] Rahimy E. Deep learning application in ophthalmology[J]. Curr Opin Ophthalmol, 2018, 29: 254-260. DOI: 10.1097/ICU.0000000000000470
[2] Lawrence DR, Palacios-González C, Harris J. Artificial intelligence[J]. Camb Q Healthc Ehics, 2016, 25: 250-261. DOI: 10.1017/S0963180115000559
[3] 陈有信, 张碧磊, 张弘哲. 眼科人工智能技术的现状与问题[J]. 中华眼底病杂志, 2019, 35: 119-123. Chen YX, Zhang BL, Zhang HZ. Insights and prospectives of ophthalmologic artificial intelligence technology[J]. Zhonghua Yandibing Zazhi, 2019, 35: 119-123.
[4] Gulshan V, Peng L, Coram M, et al. Development and validation of deep learning algorithm for detection of retinopathy in retinal fundus photographs[J]. JAMA, 2016, 316: 2402-2410. DOI: 10.1001/jama.2016.17216
[5] Burlina PM, Joshi N, Pekala M, et al. Automated grading of age-related macular degeneration from color fundus images using deep convolutional neural network[J]. JAMA Ophthalmol, 2017, 135: 1170-1176. DOI: 10.1001/jamaophthalmol.2017.3782
[6] Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts[J]. Br J Ophthalmol, 2019, 103: 1553-1560. DOI: 10.1136/bjophthalmol-2019-314729
[7] Asaoka R, Murata H, Iwase A, et al. Detecting preperimetric glaucoma with standard automated perimetry using a deep learning classifier[J]. Ophthalmology, 2016, 123: 1974-1980. DOI: 10.1016/j.ophtha.2016.05.029
[8] Wu XH, Liu L, Zhao L, et al. Application of artificial intelligence in anterior segment ophthalmic disease: diversity and standardization[J]. Ann Transl Med, 2020, 8: 714. DOI: 10.21037/atm-20-976
[9] Mahesh Kumar SV, Gunasundari R. Computer-aided diagnosis of anterior segment eye abnormalities using visible wavelength image analysis based machine learning[J]. J Med Syst, 2018, 42: 128. DOI: 10.1007/s10916-018-0980-z
[10] Long EP, Lin HT, Liu ZZ, et al. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts[J]. Nat Biomed Eng, 2017, 1: 0024. DOI: 10.1038/s41551-016-0024
[11] Fu H, Baskaran M, Xu Y, et al. A deep learning system for automated angle-closure detection in anterior segment optical coherence tomography images[J]. Am J Ophthalmol, 2019, 203: 37-45. DOI: 10.1016/j.ajo.2019.02.028
[12] Aloudat M, Faezipour M, El-Sayed A. High intraocular pressure detection from frontal eye images: a machine lean-ing based approach[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2018: 5406-5409. http://www.ncbi.nlm.nih.gov/pubmed/30441559
[13] Godefrooij DA, de Wit GA, Uiterwaal CS, et al. Age-Specific incidence and prevalence of keratoconus: a nationwide registration study[J]. Am J Ophthalmol, 2017, 175: 169-172. DOI: 10.1016/j.ajo.2016.12.015
[14] de Sanctis U, Loiacono C, Richiardi L, et al. Sensitivity and specificity of posterior cornea elevation measure by Pentacam in discriminating keratoconus/subclinical keratoconus[J]. Ophthalmology, 2008, 115: 1534-1539. DOI: 10.1016/j.ophtha.2008.02.020
[15] Gordon-Shaag A, Millodot M, Ifrah R, et al. aberrations and tomography in normal, keratoconus-suspect, and keratoconic eyes[J]. Optom Vis Sci, 2012, 89: 411-418. DOI: 10.1097/OPX.0b013e318249d727
[16] Kuo BI, Chang WY, Liao TS, et al. Keratoconus screening based on deep learning approach of corneal topography[J]. Transl Vis Sci Technol, 2020, 25: 53. http://www.researchgate.net/publication/345453287_Keratoconus_Screening_Based_on_Deep_Learning_Approach_of_Corneal_Topography
[17] Kamiya K, Ayatsuka Y, Kato Y, et al. Keratoconus detection using deep learning of colour-coded maps with anterior segment optical coherence tomography: a diagnostic accuracy study[J]. BMJ Open, 2019, 9: e021313. http://bmjopen.bmj.com/content/9/9/e031313.full
[18] Lavric A, Valentin P. KeratoDetect: keratoconus detection algorithm using Convolutional neural networks[J]. Comput Intell Neurosci, 2019: 8162567. http://downloads.hindawi.com/journals/cin/2019/8162567.pdf
[19] Issarti I, Consejo A, Jiménez-García M, et al. Computer aided diagnosis for suspect keratoconus detection[J]. Comput Biol Med, 2019, 109: 33-42. DOI: 10.1016/j.compbiomed.2019.04.024
[20] Yousefi S, Yousefi E, Takahashi H, et al. Keratoconus severity identification using unsupervised machine learning[J]. PLoS One, 2018, 13: e0205998. DOI: 10.1371/journal.pone.0205998
[21] Hidalgo IR, Rozema JJ, Saad A, et al. Validation of an objective keratoconus detection system implemented in a scheimpflug Tomographer and comparison with other methods[J]. Cornea, 2017, 36: 689-695. DOI: 10.1097/ICO.0000000000001194
[22] Hidalgo IR, Rodrigues P, Rozema JJ, et al. Evaluation of a Machine-Learning classifier for keratoconus detection based on scheimpflug tomography[J]. Cornea, 2016, 35: 827-832. DOI: 10.1097/ICO.0000000000000834
[23] Kovács I, Miháltz K, Kránitz K, et al. Accuracy of machine learning classifiers using bilateral data from a scheimpflug camera for identifying eyes with preclinical signs of keratoconus[J]. J Cataract Refract Surg, 2016, 42: 275-283. DOI: 10.1016/j.jcrs.2015.09.020
[24] Smadja D, Touboul D, Cohen A, et al. Detection of subclinical keratoconus using an automated decision tree classification[J]. Am J Ophthalmol, 2013, 156: 237-246. DOI: 10.1016/j.ajo.2013.03.034
[25] Arbelaez MC, Versaci F, Vestri G, et al. Use of a support vector machine for keratoconus and subclinical keratoconus detection by topographic and tomographic data[J]. Ophthalmology, 2012, 119: 2231-2238. DOI: 10.1016/j.ophtha.2012.06.005
[26] Souza MB, Medeiros FM, Souza DB, et al. Evaluation of machine learning classifiers in keratoconus detection from Orbscan Ⅱ examinations[J]. Clnics(Sap Paulo), 2010, 65: 1223-1228. http://www.onacademic.com/detail/journal_1000040504536110_7e67.html
[27] Twa M, Parthasarathy S, Cynthia R, et al. Automated decision tree classification of corneal shape[J]. Optom Vis Sci, 2005, 82: 1038-1046. DOI: 10.1097/01.opx.0000192350.01045.6f
[28] Accardo PA, Pensiero S. Neural network-based system for early keratoconus detection from corneal topography[J]. J Biomed Inform, 2002, 35: 151-159. DOI: 10.1016/S1532-0464(02)00513-0
[29] Smolek MK, Klyce SD. Current keratoconus detection methods compared with a neural network approach[J]. Invest Ophthalmol Vis Sci, 1997, 38: 2290-2299. http://www.researchgate.net/profile/Stephen_Klyce/publication/13885016_Current_keratoconus_detection_methods_compared_with_a_neural_network_approach/links/53f33d3d0cf2dd48950c9d4e
[30] 王雁, 李晶. 正确应对角膜屈光手术发展中的问题及挑战[J]. 中华眼科杂志, 2018, 54: 3-6. Wang Y, Li J. Problems and challenges in the development of corneal refractive surgery[J]. Zhonghua Yanke Zazhi, 2018, 54: 3-6.
[31] Sayegh FN. Age and refractive in 46, 000 patients as a potential predictor of refractive stability after refractive surgery[J]. J Refract Surg, 2009, 25: 747-751. DOI: 10.3928/1081597X-20090707-10
[32] Saad A, Gatinel D. Combining Placido and corneal wavefront data for the detection of forme fruste keratoconus[J]. J Refract Surg, 2016, 32: 510-516. DOI: 10.3928/1081597X-20160523-01
[33] Lopes BT, Ramos IC, Salomão MQ, et al. Enhanced tomographic assessment to detect corneal ectasia based on artificial intelligence[J]. Am J Ophthalmol, 2018, 195: 223-232. DOI: 10.1016/j.ajo.2018.08.005
[34] Yoo TK, Ryu IH, Lee GY, et al. Adopting machine learn-ing to automatically identify candidate patients for corneal refractive surgery[J]. NPJ Digit Med, 2019, 2: 59. DOI: 10.1038/s41746-019-0135-8
[35] Cui T, Wang Y, Ji SF, et al. Applying Machine Learning Techniques in Prediction and Analysis for SMILE Treatment[J]. Am J Ophthalmol, 2019, 210: 71-77. http://www.sciencedirect.com/science/article/pii/S0002939419305082
[36] Ung L, Bispo PJM, Shanbhag SS, et al. The persistent dilemma of microbial keratitis: global burden, diagnosis, and antimicrobial resistance[J]. Surv Ophthalmol, 2019, 64: 255-271. DOI: 10.1016/j.survophthal.2018.12.003
[37] Saini JS, Jain AK, Kumar S, et al. Neural network approach to classify infective keratitis[J]. Curr Eye Res, 2003, 27: 111-116. DOI: 10.1076/ceyr.27.2.111.15949
[38] Wu XL, Qiu QC, Liu Z, et al. Hyphae Detection in Fungal Keratitis Images With Adaptive Robust Binary Pattern[J]. IEEE Access, 2018, 6: 13449-13460. DOI: 10.1109/ACCESS.2018.2808941
[39] Liu Z, Cao YK, Li YJ, et al. Automatic diagnosis of fungal keratitis using data augmentation and image fusion with deep convolutional neural network[J]. Comput Methods Programs Biomed, 2020, 187: 105019. DOI: 10.1016/j.cmpb.2019.105019
[40] 刁玉梅, 洪晶. 角膜后弹力层内皮移植术的研究进展[J]. 中华眼科杂志, 2015, 51: 544-547. DOI: 10.3760/cma.j.issn.0412-4081.2015.07.018 Diao YM, Hong J. Research advances of Descemet's membrane endothelial keratoplasty[J]. Zhonghua Yanke Zazhi, 2015, 51: 544-547. DOI: 10.3760/cma.j.issn.0412-4081.2015.07.018
[41] Treder M, Lauermann JL, Alnawaiseh M, et al. Using Deep Learning in Automated Detection of Graft Detachment in Descemet Membrane Endothelial Keratoplasty: A Pilot Study[J]. Cornea, 2019, 38: 157-161. DOI: 10.1097/ICO.0000000000001776
[42] Hayashi T, Hitoshi T, Masumoto H, et al. A Deep Learning Approach in Rebubbling After Descemet's Membrane Endothelial Keratoplasty[J]. Eye Contact Lens, 2020, 46: 121-126 DOI: 10.1097/ICL.0000000000000634
[43] Dabbah MA, Graham J, Petropoulos I, et al. Dual-Model Automatic Detection of Nerve-Fibres in Corneal Confocal Microscopy Images[J]. Med Image Comput Comput Assist Inter, 2010, 13: 300-307. http://www.pubmedcentral.nih.gov/picrender.fcgi?artid=PMC3066470&blobtype=pdf
[44] Chen X, Graham J, Dabbah MA, et al. An Automatic Tool for Quantification of Nerve Fibres in Corneal Confocal Microscopy Images[J]. IEEE Trans Biomed Eng, 2017, 64: 786-794. DOI: 10.1109/TBME.2016.2573642
[45] Li Q, Zhong Y, Zhang T, et al. Quantitative analysis of corneal nerve fibers in type 2 diabetics with and without diabetic peripheral neuropathy: Comparison of manual and automated assessments[J]. Diabetes Res Clin Pract, 2019, 151: 33-38. DOI: 10.1016/j.diabres.2019.03.039
[46] Lopez YP, Aguilera LR. Automatic classification of pterygium-non pterygium images using deep learning[M/OL]. (2019-09-28). [2020-12-27]. https://link.springer.com/chapter/10.1007%2F978-3-030-32040-9_40.
[47] Zulkifley MA, Abdani SR, Zulkifley NH. Pterygium-Net: a deep learning approach to pterygium detection and localization[J]. Multimed Tools Appl, 2019, 78: 34563-34584. DOI: 10.1007/s11042-019-08130-x
[48] Wan Zaki WMD, Mat Daud M, Abdani SR, et al. Automated pterygium detection method of anterior segment photographed images[J]. Comput Methods Programs Biomed, 2018, 154: 71-78. DOI: 10.1016/j.cmpb.2017.10.026
-
期刊类型引用(1)
1. 丁新华，朱利勇，章卉，史忠洋. 748例重症监护患者真菌检出情况及其影响因素分析. 实用预防医学. 2023(02): 233-236 . 
百度学术
其他类型引用(1)
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
- 被引次数: 2
