A Deep Learning Approach to Accurately Discriminate Between Optic Disc Drusen and Papilledema on Fundus Photographs
Notice bibliographique
Résumé
Abstract Objective To assess the performance of a deep learning system (DLS) to discriminate between optic disc drusen (ODD) and papilledema caused by intracranial hypertension, using standard color ocular fundus photographs collected in a large international multi-ethnic population. Design Retrospective study. Participants The study included 4,508 color fundus images in 2,180 patients from 30 neuro-ophthalmology centers (19 countries) participating in the Brain and Optic Nerve Study with Artificial Intelligence (BONSAI) Group. Methods We trained, validated, and tested a dedicated DLS for binary classification of ODD vs. papilledema (including various subgroups within each category), on conventional mydriatic digital ocular fundus photographs. For training and internal validation, we used 857 ODD images and 3,230 papilledema images, in 1,959 patients. External-testing was subsequently performed on an independent dataset (221 patients) including 207 images with ODD (96 visible and 111 buried), provided by 3 centers of the Optic Disc Drusen Studies Consortium, and 214 images of papilledema (92 mild-to-moderate and 122 severe) from a previously validated study. Main outcome measures Area under the receiver operating characteristic curve (AUC), accuracy, sensitivity, and specificity were used to discriminate between ODD and papilledema. Results Overall, the DLS could accurately distinguish between all ODD and papilledema (all severities included): AUC 0.97 (95% confidence interval [CI], 0.96 to 0.98), accuracy 90.5% (95% CI, 88.0% to 92.9%), sensitivity 86.0% (95% CI, 82.1% to 90.1%), and specificity 94.9% (95% CI, 92.3% to 97.6%). The performance of the DLS remained high for discrimination of buried ODD from mild-to-moderate papilledema: AUC 0.93 (95% CI, 0.90 to 0.96), accuracy 84.2% (95% CI, 80.2%-88.6%), sensitivity 78.4% (95% CI, 72.2% to 84.7%), and specificity 91.3% (95% CI, 87.0% to 96.4%). Conclusions A dedicated DLS can accurately distinguish between ODD and papilledema caused by elevated intracranial pressure, even when considering buried ODD vs mild-to-moderate papilledema. Future studies are required to validate the utility of this DLS in clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».