TẦM SOÁT BỆNH GLÔCÔM BẰNG CHỤP ẢNH MÀU GAI THỊ VỚI ỨNG DỤNG PHẦN MỀM TRÍ TUỆ NHÂN TẠO EYEDR
Nội dung chính của bài viết
Tóm tắt
Ứng dụng công nghệ mạng nơ-ron tích chập Darknet YOLO phát triển hệ thống trí tuệ nhân tạo
EYEDR có thể tầm soát glôcôm bằng hình ảnh đĩa thị tự động.
Mục tiêu: Xác định tính giá trị và tin cậy của thuật toán trí tuệ nhân tạo EYEDR trong tầm soát bệnh
glôcôm ở người trưởng thành bằng hình ảnh màu đĩa thị.
Phương pháp: Nghiên cứu cắt ngang. Chọn lọc 2470 ảnh màu đĩa thị để huấn luyện cho máy học
bằng mạng nơ-ron tích chập Darknet YOLO nhằm xác định hình dạng optic disc và optic cup của đĩa
thị, từ đó xây dựng thuật toán trí tuệ nhân tạo để phát hiện đĩa thi có glaucoma và non-glaucoma. Sử
dụng bộ test gồm 1028 ảnh dùng để đánh giá giá trị của phần mềm AI này dựa vào độ nhạy, độ đặc
hiệu, diện tích dưới đường cong ROC (AUC), tính khả dĩ đương, tính chính xác và chỉ số đồng thuận
Kappa của máy học và bác sĩ đọc kết quả.
Kết quả: Diện tích dưới đường cong ROC (AUC) là 0,93 ± 0,01 (0,92 -0,95; CI 95%), với độ nhạy
90,3%, độ đặc hiệu 95,06%, tỉ số tiên đoán dương 90,80%, độ chính xác 86,80% và chỉ số đồng thuận
Kappa là 0,86.
Kết luận: Phần mềm trí tuệ nhân tạo EYEDR ứng dụng công nghệ CNN Darknet YOLO version 3
có độ nhạy cao giúp phát hiện tầm soát glôcôm bằng ảnh màu gai thị trong cộng đồng.
Chi tiết bài viết
Từ khóa
Glôcôm, gai thị, trí tuệ nhân tạo.
Tài liệu tham khảo
model for the detection of both advanced and
early glaucoma using fundus photography” PLOS
ONE, 1-8, 2018.
[2] Chakrabarty L, Gopal DJGD, Arunava CA et
al., Automated Detection of Glaucoma From
Topographic Features of the Optic Nerve Head
in Color Fundus Photographs. J Glaucoma.
25(7):590-597, 2016.151
[3] Chen X, Xu Y, Wong KW et al., “Glaucoma
detection based on deep convolutional neural
network”. IEEE Eng Med Biol Soc, pp. 715 –
718, Annual Conf, 2015.
[4] Fingeret M, Medeiros FA, Susanna R et al., Five
rules to evaluate the optic disc and retinal nerve
fiber layer for Glaucoma. Optometry.;76:661-8,
2005.
[5] Kauppi T, Kalesnykiene V, Kamarainen JK et
al., “DIARETDB1 diabetic retinopathy database
and evaluation protocol”. In: Medical image
understanding and analysis, processdings of 11th
conference; 2007.
[6] Li Z, He Y, Keel S et al., “Efficacy of a Deep
Learning System for Detecting Glaucomatous
Optic Neuropathy Based on Color Fundus
Photographs” American academy of
Ophthalmology, vol. 125, pp. 1199 – 1206, 2018.
[7] Liu H, Li L, Wormstone IM et al., “Development
and Validation of a Deep Learning System to
Detect Glaucomatous Optic Neuropathy using
Fundus Photographs” JAMA Ophthalmol. E1-
E8, 2019.
[8] Phene S, Dunn RC, Hammel N et al., “Deep
learning and Glaucoma specialists: The relative
importance of optic disc features to predict
Glaucoma referral in fundus photographs”.
Ophthalmology. 2019;1-13.
[9] Qaisar A, “Glaucoma-Deep: Detection of
Glaucoma Eye Disease on Retinal Fundus Images
using Deep Learning” International Journal of
Advanced Computer Science and Applications,
8(6): 41-45, 2017.
[10] Redmon J, Divvala S, Girshick R et al., “You
Only Look Once: Unified, Real-time Object
Detection,” in Computer vision and Pattern
Recognition 2016, 2016.
[11] Redmon J, Farhadi A, “Yolov3: An incremental
improvement”. arXiv Operational, 2018.
[12] Thanh THP, Thuy TPT, Hieu TN et al., “A RealTime Classification Of Glaucoma from Retinal
Fundus Images Using AI Technology,” 2020
International Conference on Advanced Computing
and Applications (ACOMP), 2020, pp. 114-121,
doi: 10.1109/ACOMP50827.2020.00024.
[13] Ting DSW, Pasquale LR, Peng L et al., “Artificial
intelligence and deep learning in ophthalmology”.
Br J Ophthalmol;103:167–175, 2019.