Diagnostisk effektivitet av CNN vid differentiering av synfält

Glaukom är världens ledande orsak till irreversibel blindhet, som kännetecknas av progressiv uttunning av näthinnans nervfiberlager och synfältsdefekter. Synfältstest är en av guldstandarderna för diagnos och utvärdering av progression av glaukom. Det finns dock ingen universellt accepterad standard för tolkning av synfältsresultat, vilket är subjektivt och kräver en stor mängd erfarenhet. För närvarande har artificiell intelligens uppnått en noggrannhet som är jämförbar med mänskliga läkare i tolkningen av medicinsk avbildning av många olika sjukdomar. Tidigare har vi tränat ett djupt konvolutionellt neuralt nätverk för att läsa synfältsrapporterna, vilket har ännu högre diagnostisk effekt än ögonläkare. Den aktuella multicenterstudien är utformad för att utvärdera effektiviteten av den konvolutionella neurala nätverksbaserade algoritmen vid differentiering av glaukomat från icke-glaukomatöst synfält, jämföra dess prestanda med ögonläkare och för att bedöma dess användbarhet i den verkliga världen.