Multi-Comparison of Different Ocular Imaging Modality-based Deep Learning Models for Visually Significant Cataract Detection
Notice bibliographique
Résumé
Purpose: Age-related cataract is the leading cause of vision impairment. Researchers have utilized various imaging modalities, including slit beam, diffuse anterior segment, and retinal imaging, to develop deep learning (DL) algorithms for automated cataract analysis. However, the comparative performance of these algorithms across different ocular imaging modalities remains unevaluated, mainly due to the absence of standardized test sets across studies. Design: Retrospective study. Participants: Across all the models, the Singapore Malay Eye Study data set was used for training (N = 7093 eyes) and internal testing (N = 1649 eyes). The Singapore Indian Eye Study (SINDI; N = 5579 eyes) and the Singapore Chinese Eye Study (SCES; N = 5658 eyes) were used for external testing. A community study data set of nonmydriatic retinal photos (N = 310 eyes) was used for external testing of the retinal model. Methods: We developed 3 single-modality DL models (retinal, slit beam, and diffuse anterior segment photos) and 4 ensemble models (4 different combinations of the 3 single-modality models) to detect visually significant cataract (VSC). We defined eyes with VSC as having significant cataract (based on the modified Wisconsin cataract grading system) with a best-corrected visual acuity of <20/60. Main Outcome Measures: Area under receiver operating characteristic curve (AUC). Results: ≥ .07). These trends were consistently observed in the external test sets. In nonmydriatic eyes, the retinal model showed reasonable performance (AUC, 89.8%; 95% CI, 89.6-89.9). Conclusions: Our findings highlight the retinal model as a promising tool for detecting VSC, outperforming slit beam and diffuse anterior segment models. Because retinal photography is routine in diabetic retinopathy screening, this approach could enable opportunistic cataract screening with minimal add-on cost. Financial Disclosure: Proprietary or commercial disclosure may be found in the Footnotes and Disclosures at the end of this article.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».