Diagnostisk effektivitet av CNN för att förutsäga intraoperativa komplikationer i SMILE

Den primära orsaken till global synnedsättning är för närvarande brytningsfel, och Small Incision Lenticule Extraction (SMILE) med femtosekundlaser för extraktion av hornhinnestromal linser kan ändra brytningskraften. Emellertid kan komplikationer som ogenomskinligt bubbelskikt (OBL), undertrycksavlossning och svarta fläckar uppstå under SMILE-laserskanningsprocessen på grund av individuella skillnader i hornhinneegenskaper, vilket signifikant påverkar det normala operationsförloppet och postoperativ återhämtning. Erfarna läkare kan ofta förutsäga intraoperativa komplikationer baserat på skannade bilder, patientsamverkan och andra faktorer, men inlärningskurvan är relativt lång. 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 förutsäga intraoperativa komplikationer i SMILE-procedurer. Den aktuella multicenterstudien är utformad för att utvärdera effektiviteten av den konvolutionella neurala nätverksbaserade algoritmen för att förutsäga intraoperativa komplikationer och för att bedöma dess användbarhet i den verkliga världen.