基于超广角眼底照片构建深度学习模型预测儿童眼轴长度区间

摘要

目的：利用3～12岁儿童超广角（UWF）眼底照片建立一种深度学习模型，用于拍摄眼底照片同时预测儿童眼轴长度区间。方法：回顾性纳入2022年9月至2023年12月因屈光不正就诊的病人，年龄3～12岁。选择测量眼轴长度并在测量后1个月内拍摄UWF图像的病人作为研究对象。总计纳入了100例病人的177张UWF图像。根据眼轴长度（AL）将病人分为4组：（1）AL≤22 mm;(2)22 mm 24 mm。采用Vision Transformer(ViT)深度学习模型预测AL区间，并使用了高斯滤波器等预处理方法，结合迁移学习提高模型的学习能力。为了更充分地验证模型的性能，采用K折交叉验证方法，并结合ROC曲线、ROC曲线下面积（AUC）、精度和召回率来评估模型的综合性能。结果：不同AL区间下模型AUC值范围在0.750～0.883，其中>24 mm的AUC最大，为0.883；该模型在预测AL区间方面模型整体精度约为0.633，不同AL区间下模型精度范围在0.360～0.802、召回率范围在0.294～0.802，在AL区间>24 mm模型的精度和召回率均为0.802，表现出较高的精度和较高的可靠度；生成的热图显示，模型更多地聚焦于具有病变的眼底区域的后极部萎缩改变。结论：通过深度学习模型利用UWF图像预测儿童AL区间是基本可行的。

关键词

近视 / 眼底照片 / 深度学习 / 眼轴长度 / 人工智能