Artificial Intelligence Based Analysis of Corneal Confocal Microscopy Images for Diagnosing Peripheral Neuropathy: A Binary Classification Model.
Artificial Intelligence Based Analysis of Corneal Confocal Microscopy Images for Diagnosing Peripheral Neuropathy: A Binary Classification Model.
复制标题
基于人工智能的角膜共聚焦显微镜图像分析用于诊断周围神经病变：二元分类模型。
DOI：
10.3390/jcm12041284
复制
发表时间：
2023-02-06
影响因子：
3.9
通讯作者：
中科院分区：
文献类型：
--
作者：
糖尿病周围神经病（DPN）是全世界神经病的主要原因，导致发病率和死亡率过高。我们的目标是开发一种人工智能深度学习算法，使用基底神经丛的角膜共聚焦显微镜 (CCM) 图像对糖尿病或糖尿病前期参与者是否存在周围神经病变 (PN) 进行分类。修改后的 ResNet-50 模型经过训练，可根据多伦多共识标准执行 PN (PN+) 与无 PN (PN−) 的二元分类。使用由 279 名参与者（149 PN−，130 PN+）组成的数据集来训练（n = 200）、验证（n = 18）和测试（n = 61）算法，每个参与者使用一张图像。该数据集由患有 1 型糖尿病 (n = 88)、2 型糖尿病 (n = 141) 和糖尿病前期 (n = 50) 的参与者组成。使用诊断性能指标和基于归因的方法（梯度加权类激活映射（Grad-CAM）和引导 Grad-CAM）对该算法进行了评估。在检测 PN+ 时，基于 AI 的 DLA 的灵敏度为 0.91（95%CI：0.79–1.0），特异性为 0.93（95%CI：0.83–1.0），曲线下面积（AUC）为 0.95（95%CI：0.83–0.99）。我们的深度学习算法展示了使用 CCM 诊断 PN 的出色结果。在实施筛查和诊断计划之前，需要进行大规模前瞻性现实世界研究来验证其诊断功效。
Diabetic peripheral neuropathy (DPN) is the leading cause of neuropathy worldwide resulting in excess morbidity and mortality. We aimed to develop an artificial intelligence deep learning algorithm to classify the presence or absence of peripheral neuropathy (PN) in participants with diabetes or pre-diabetes using corneal confocal microscopy (CCM) images of the sub-basal nerve plexus. A modified ResNet-50 model was trained to perform the binary classification of PN (PN+) versus no PN (PN−) based on the Toronto consensus criteria. A dataset of 279 participants (149 PN−, 130 PN+) was used to train (n = 200), validate (n = 18), and test (n = 61) the algorithm, utilizing one image per participant. The dataset consisted of participants with type 1 diabetes (n = 88), type 2 diabetes (n = 141), and pre-diabetes (n = 50). The algorithm was evaluated using diagnostic performance metrics and attribution-based methods (gradient-weighted class activation mapping (Grad-CAM) and Guided Grad-CAM). In detecting PN+, the AI-based DLA achieved a sensitivity of 0.91 (95%CI: 0.79–1.0), a specificity of 0.93 (95%CI: 0.83–1.0), and an area under the curve (AUC) of 0.95 (95%CI: 0.83–0.99). Our deep learning algorithm demonstrates excellent results for the diagnosis of PN using CCM. A large-scale prospective real-world study is required to validate its diagnostic efficacy prior to implementation in screening and diagnostic programmes.
登录
查看更多内容
影响因子：
30.8
作者：
Ghassemi, Marzyeh;Oakden-Rayner, Luke;Beam, Andrew L.
通讯作者：
Beam, Andrew L.
影响因子：
4.1
作者：
Kirthi V;Perumbalath A;Brown E;Nevitt S;Petropoulos IN;Burgess J;Roylance R;Cuthbertson DJ;Jackson TL;Malik RA;Alam U
通讯作者：
Alam U
影响因子：
16.2
作者：
Abbott CA;Malik RA;van Ross ER;Kulkarni J;Boulton AJ
通讯作者：
Boulton AJ
影响因子：
7.7
作者：
Tavakoli M;Mitu-Pretorian M;Petropoulos IN;Fadavi H;Asghar O;Alam U;Ponirakis G;Jeziorska M;Marshall A;Efron N;Boulton AJ;Augustine T;Malik RA
通讯作者：
Malik RA
影响因子：
4.3
作者：
Wang F;Zhang J;Yu J;Liu S;Zhang R;Ma X;Yang Y;Wang P
通讯作者：
Wang P