[论文解读] Current and future roles of artificial intelligence in retinopathy of prematurity

Ali Jafarizadeh, Shadi Farabi Maleki+10 more|arXiv (Cornell University)|Feb 15, 2024

Retinopathy of Prematurity Studies被引用 5

一句话总结

本综述评估使用视网膜成像和AI来检测和管理早产儿视网膜病变（ROP），强调从传统机器学习向深度学习的转变，并概述当前进展、挑战与未来方向。

ABSTRACT

Retinopathy of prematurity (ROP) is a severe condition affecting premature infants, leading to abnormal retinal blood vessel growth, retinal detachment, and potential blindness. While semi-automated systems have been used in the past to diagnose ROP-related plus disease by quantifying retinal vessel features, traditional machine learning (ML) models face challenges like accuracy and overfitting. Recent advancements in deep learning (DL), especially convolutional neural networks (CNNs), have significantly improved ROP detection and classification. The i-ROP deep learning (i-ROP-DL) system also shows promise in detecting plus disease, offering reliable ROP diagnosis potential. This research comprehensively examines the contemporary progress and challenges associated with using retinal imaging and artificial intelligence (AI) to detect ROP, offering valuable insights that can guide further investigation in this domain. Based on 89 original studies in this field (out of 1487 studies that were comprehensively reviewed), we concluded that traditional methods for ROP diagnosis suffer from subjectivity and manual analysis, leading to inconsistent clinical decisions. AI holds great promise for improving ROP management. This review explores AI's potential in ROP detection, classification, diagnosis, and prognosis.

研究动机与目标

• 评估传统机器学习在ROP诊断中的局限性，原因是主观性和过拟合。
• 概述深度学习在ROP检测和加号病变识别方面的进展。
• 评估基于AI的系统（如 i-ROP-DL）在可靠ROP诊断中的应用。
• 识别阻碍AI从研究转化为临床实践的挑战与差距。
• 为AI驱动的ROP管理的未来研究方向提供指南。

提出的方法

• 对来自更大范围的1487项研究中89项原创研究在人工智能与ROP方面进行了系统综述。
• 对视网膜影像分析中从传统机器学习到基于CNN的方法进行综合梳理。
• 讨论性能、可靠性、主观性及临床整合等问题。
• 比较AI驱动的检测、分类、诊断和预后任务。
• 对数据集、验证和泛化等方面进行严格评估。

实验结果

研究问题

• RQ1 AI方法在从视网膜图像检测和分类ROP方面的当前能力与局限性是什么？
• RQ2 深度学习，尤其是CNN，在ROP诊断和加号病变检测方面相较传统机器学习有何改进？
• RQ3 在ROP管理中将AI临床应用面临的关键挑战有哪些（例如主观性、过拟合、验证等）？
• RQ4 为推动AI辅助ROP护理，存在哪些未来方向和研究空缺？
• RQ5 AI如何影响ROP管理中的预后评估和决策？

主要发现

• 传统的ROP诊断方法存在主观性和手工分析，导致决策不一致。
• 包括CNN在内的DL方法显著提高了ROP和加号病变的检测与分类。
• i-ROP-DL系统在可靠的自动ROP诊断方面显示出潜力。
• AI在检测、分类、诊断和预后方面具有显著提高ROP管理的潜力。
• 在数据、验证、泛化以及临床转化方面存在显著挑战和差距，需要解决。
• 该综述基于在更广泛的文献体系中识别出的89项原创研究。