Clin. biomed. res; 41 (1), 2021
Publication year: 2021
Introdução:
A inteligência artificial (IA) está revolucionando a área da saúde. Na oftalmologia, esta tecnologia pode possibilitar diagnósticos mais rápidos e precisos, impedindo a progressão das alterações na visão. Médicos e algoritimosalgoritmos podem ser mais eficientes quando trabalham juntos. Desenvolver um software de IA com alta especificidade e sensibilidade para apoio no diagnóstico de algumas patologias oftalmológicas. Métodos:
O software de deep learning foi construído através de redes neurais valendo de duas bases computacionais MobileNet e Inception. Para o treinamento do banco de dados foram utilizadas 2.520 imagens de glaucoma, retinopatia diabética, toxoplasmose ocular, papiledema, descolamento de retina e retina normal. Para a validação foi utilizado 428 imagens patológicas e normais para os cálculos de sensibilidade e de especificidade. Todas as imagens foram cedidas da Sociedade Americana de Especialistas da Retina. Resultados:
Os resultados de sensibilidade e especificidade foram no MobileNet de 91% (IC 95%, 89-92%) e 98,5% (IC 95%, 98-99%); no Inception, de 91,4% (IC 95%, 89-93,5%) de 98,4% (IC 95%, 98-98,8%), respectivamente. Não houve diferença significativa entre os dois métodos utilizados. Conclusão:
O software apresentou resultados promissores na distinção das condições oftalmológicas pesquisadas. (AU)
Introduction:
Artificial intelligence (AI) is revolutionizing health care. In ophthalmology, this technology can enable faster and more accurate diagnoses, preventing the progression of vision Physicians and algorithms are most effective when working together. To develop an AI software with high specificity and sensitivity to support the diagnosis of some ophthalmic diseases. Methods:
A deep learning software was built through neural networks using two computational bases, MobileNet and Inception. For training the database, 2520 images of glaucoma, diabetic retinopathy, ocular toxoplasmosis, papilledema, retinal detachment, and normal retina were used. For validation, 428 pathological and normal images were used for calculations of sensitivity and specificity. All images were obtained from the American Society of Retina Specialists. Results:
The results of sensitivity and specificity were 91% (95% confidence interval [CI], 89-92%) and 98.5% (95% CI, 98-99%) on MobileNet, and 91.4% (95% CI, 89-93.5%) and 98.4% (95% CI, 98-98.8%) on Inception, respectively. There was no significant difference between the two methods. Conclusion:
The software showed promising results in distinguishing the main ophthalmic conditions surveyed. (AU)