(相关资料图)

根据 4 月 21 日在线发表在《柳叶刀数字健康》上的一项研究，定制和无代码深度学习 (CFDL) 模型可以将健康的视网膜图像与具有预加或加病特征的图像区分开来，表明早产儿视网膜病变 (ROP)。

来自伦敦 NIHR Moorfields 生物医学研究中心的医学博士 Siegfried K. Wagner 及其同事使用2008 年至 2018 年间入住新生儿病房的 1,370 名新生儿的视网膜图像进行了一项回顾性队列研究。开发了定制和 CFDL 模型;性能在 200 张图像上进行了内部评估，然后在来自美国、巴西和埃及(Retcam 图像)和印度(来自 3nethra neo 设备的图像)的四个独立数据集中的 338 张视网膜图像上进行了外部验证。

研究人员发现，定制模型的曲线下面积 (AUC) 为 0.986，而 CFDL 模型在内部测试集上的 AUC 为 0.989，用于区分健康与预加或加病。在使用 Retcam 获取的外部验证测试集上，两种模型都很好地概括了健康与预加或加病(定制范围，0.975 至 1.000;CFDL 范围，0.969 至 0.995)。为了在美国数据集中区分预加疾病与健康或加疾病，CFDL 模型不如定制模型(CFDL：0.808;定制：0.942)。在 3nethra neo 成像设备上进行测试时，性能也有所降低(CFDL：0.865;定制：0.891)。

“虽然在部署之前需要进一步验证和研究不同人群的有效性，但深度学习可能会提供一种工具来减轻这些年轻患者终身视力受损的风险，”作者写道。