Fundus 01

2018 Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs

Conclusion：
automated classification and detection of referable glaucomatous optic neuropathy (GON) from monoscopic color fundus photographs.（monoscopic optic disc photographs provide an equal diagnostic accuracy for glaucoma when compared with stereoscopic photographs.）
样本大，数据精细 48116 fundus photographs ( 40116 train,8000 validation)
evalution:AUC(The area under receiver opterator characteristic curve) with sensitivity and specificity
results: AUC 0.986 with sensitivity 95.6% specificity 92% | FN(87) FP(480) （还总结出高度近视或病理性近视并存是导致假阴性结果的最常见原因。physiologic cupping和病理性近视是假阳性最常见的原因）
讲了很多前期数据医生的挑选，以及最后FP、FN结果的分析。没怎么讲deep learning

Methods

研究从LabelMe在线数据集（包括20多万张来自中国不同临床环境的彩色眼底照片）中随机抽取7万张眼底照片下载，选取48116张视盘可见的图像进行GON的标记。

将GON分为三类：unlikely, suspect, certain
Architecture：Inception-v3
Data augmentation： 0到3像素的随机水平移动和90、180和270的随机旋转

其他：
一共27名眼科医生，通过选择机制（和专家对比），选择了21名进行线上评分。
在线评分过程中，每幅图像随机分配给一名眼科医生进行初始评分，并依次分配给其他个体评分，直到获得3个一致的评分结果。

Results

AUC 0.986 with sensitivity 95.6% specificity 92% | FN(87) FP(480)

Discussion

特点

• 以往的研究大多采用特征提取技术，不可避免地会在定位和分割过程中引入错误，导致定位和分类的错误。本研究采用的监督深度学习技术通过直接从全局标记图像中学习预测特征来避免此类问题。
• 训练和验证集比以前的报告要大得多(之前所有的数据集都小于2500)，且来自各种临床设置的数据组成，更有代表性
• 系统使用了大数据集、dropout和模型正则化方法来帮助减少 过拟合(Overfitting) 的可能性

不足

• 图像只收集自中国的医院，进一步的研究是必要的，以调查该算法的性能在其他种族在不同的设置。
• 找出减少FP、FN的策略。
• 数据集可能还需要更多筛查程序来减少FN
• To improve the accuracy of glaucoma classification, more real-world clinical data, such as visual field or longitudinal changes, or even a history of glaucoma surgery, should be included in the clinical labeling of the images.
• 青光眼的分类是从全局图像标记，而不是直接定义局部特征。对深度学习网络可视化的进一步研究可能有助于患者、医生和卫生保健提供者更好地理解其学习过程。