通过深度学习实现的有效自动分类方法，用于多类型传染性角膜炎的诊断

感染性角膜炎（IK）是角膜盲症主要病因，传统诊断方法存在时效性和假阳性率高的问题。本研究基于1065例 slit-lamp图像构建深度学习模型，对比EfficientNet_B0、ViT等5种架构的 IK分类效果，发现EfficientNet_B0在准确率（75.2%）、AUC（0.943）等核心指标上最优，为AI辅助诊断提供新方案。

　　

摘要

背景

感染性角膜炎（IK）是导致角膜失明的主要原因，通常由细菌、真菌、病毒或寄生虫引起。及时诊断和治疗至关重要，但由于缺乏病原体鉴定的金标准，这给及时干预带来了困难。角膜培养需要花费大量时间且容易出现假阳性结果，因此亟需一个自动化的分类系统。

方法

从2018年3月到2023年11月，收集了1,065张弥散模式的裂隙灯图像用于开发深度学习系统。训练了五种模型——EfficientNet_B0、EfficientNet_V2_S、ResNet50、Vision Transformer（ViT）和DeepIK——用于角膜感染分类。主要评估指标包括准确性、精确度、召回率、F1分数、加权Cohen’s Kappa值和接收者操作特征（ROC）曲线。

结果

EfficientNet_B0模型在所有指标上均表现出色，其准确率为75.2%（95%置信区间：69.6% ? 80.8%），灵敏度为74.9%（95%置信区间：69.9% ? 80.3%），特异性为93.8%（95%置信区间：92.4% ? 95.2%），F1分数为74.3%（95%置信区间：68.7% ? 79.8%），Kappa值为0.689（95%置信区间：0.618–0.759），AUC值为0.943（95%置信区间：0.920–0.962）。

结论

EfficientNet_B0模型能够有效识别正常眼睛和四种类型的感染性角膜炎，展示了深度学习在诊断角膜炎感染方面的潜力。未来通过使用更大的数据集进行改进可以提高准确性，从而促进及时治疗并改善患者的预后。

图形摘要

背景

感染性角膜炎（IK）是导致角膜失明的主要原因，通常由细菌、真菌、病毒或寄生虫引起。及时诊断和治疗至关重要，但由于缺乏病原体鉴定的金标准，这给及时干预带来了困难。角膜培养需要花费大量时间且容易出现假阳性结果，因此亟需一个自动化的分类系统。

方法

从2018年3月到2023年11月，收集了1,065张弥散模式的裂隙灯图像用于开发深度学习系统。训练了五种模型——EfficientNet_B0、EfficientNet_V2_S、ResNet50、Vision Transformer（ViT）和DeepIK——用于角膜感染分类。主要评估指标包括准确性、精确度、召回率、F1分数、加权Cohen’s Kappa值和接收者操作特征（ROC）曲线。

结果

EfficientNet_B0模型在所有指标上均表现出色，其准确率为75.2%（95%置信区间：69.6% ? 80.8%），灵敏度为74.9%（95%置信区间：69.9% ? 80.3%），特异性为93.8%（95%置信区间：92.4% ? 95.2%），F1分数为74.3%（95%置信区间：68.7% ? 79.8%），Kappa值为0.689（95%置信区间：0.618–0.759），AUC值为0.943（95%置信区间：0.920–0.962）。

结论

EfficientNet_B0模型能够有效识别正常眼睛和四种类型的感染性角膜炎，展示了深度学习在诊断角膜炎感染方面的潜力。未来通过使用更大的数据集进行改进可以提高准确性，从而促进及时治疗并改善患者的预后。

图形摘要