[论文解读] Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review

Lauren Joyce Coan, Bryan Williams+7 more|arXiv (Cornell University)|Apr 12, 2022

Retinal Imaging and Analysis被引用 5

一句话总结

本综述评估了基于人工智能（AI）的自动青光眼检测方法，采用眼底成像技术，重点关注视盘和杯状体的分割。共分析了28项研究，比较了基于规则的方法与机器学习方法，尽管在研究环境中准确率较高，但临床转化仍面临关键挑战。

ABSTRACT

Glaucoma is a leading cause of irreversible vision impairment globally and cases are continuously rising worldwide. Early detection is crucial, allowing timely intervention which can prevent further visual field loss. To detect glaucoma, examination of the optic nerve head via fundus imaging can be performed, at the centre of which is the assessment of the optic cup and disc boundaries. Fundus imaging is non-invasive and low-cost; however, the image examination relies on subjective, time-consuming, and costly expert assessments. A timely question to ask is can artificial intelligence mimic glaucoma assessments made by experts. Namely, can artificial intelligence automatically find the boundaries of the optic cup and disc (providing a so-called segmented fundus image) and then use the segmented image to identify glaucoma with high accuracy. We conducted a comprehensive review on artificial intelligence-enabled glaucoma detection frameworks that produce and use segmented fundus images. We found 28 papers and identified two main approaches: 1) logical rule-based frameworks, based on a set of simplistic decision rules; and 2) machine learning/statistical modelling based frameworks. We summarise the state-of-art of the two approaches and highlight the key hurdles to overcome for artificial intelligence-enabled glaucoma detection frameworks to be translated into clinical practice.

研究动机与目标

• 评估基于眼底图像的AI驱动自动青光眼检测的最新技术进展。
• 分析基于分割的方法在视盘和杯状体边界检测中的性能与局限性。
• 比较基于规则的框架与机器学习/统计建模方法在青光眼检测中的应用。
• 识别阻碍AI框架在临床实践中应用的关键障碍。
• 总结当前研究现状，并指出人工智能在青光眼筛查中的未来发展方向。

提出的方法

• 对28项基于眼底成像的AI赋能青光眼检测研究进行了全面的文献回顾。
• 将框架分类为两大类：基于逻辑规则的系统与机器学习/统计建模方法。
• 分析了每种框架的技术组件，特别是其在视盘和杯状体分割中的技术方法。
• 利用所审查研究中报告的性能指标，评估了这些系统的准确性和鲁棒性。
• 综合分析了模型泛化能力、数据质量与临床可行性方面的发现。
• 识别出AI模型在标准化、可解释性及真实世界验证方面存在的差距。

实验结果

研究问题

• RQ1 基于规则与基于机器学习的AI框架在眼底图像中分割视盘和杯状体方面有何不同？
• RQ2 AI模型在基于分割的眼底图像中检测青光眼的报告准确率和性能指标是什么？
• RQ3 哪些主要的技术与临床挑战阻碍了AI驱动的青光眼检测在真实医疗环境中的部署？
• RQ4 图像质量、数据集多样性与模型架构的差异如何影响AI系统的可靠性？
• RQ5 为实现AI框架从研究到临床应用的转化，需要哪些改进？

主要发现

• 本综述识别出28项基于眼底成像与分割的AI驱动青光眼检测研究。
• 基于规则的框架依赖于简单、手工设计的决策规则，在图像变化面前适应能力有限。
• 基于机器学习的模型，特别是深度学习方法，在分割准确率和泛化能力方面优于基于规则的系统。
• 尽管在受控环境中表现优异，但大多数AI模型在应对真实世界图像变异性和临床工作流程整合方面仍缺乏鲁棒性。
• 临床采纳的主要障碍包括可解释性不足、对多样化人群的验证不够，以及真实世界测试有限。
• 数据集标准化、评估协议与模型透明度是未来实现临床转化的关键。