基于深度学习的早产儿视网膜病变眼底图像自动筛查与分期研究综述.docVIP

基于深度学习的早产儿视网膜病变眼底图像自动筛查与分期研究综述

早产儿视网膜病变（RetinopathyofPrematurity,ROP）是导致儿童失明的首要眼科疾病，全球每年约有15万儿童因ROP丧失视力，其中中低收入国家的漏诊率超过60%。传统ROP筛查依赖眼科医师对散瞳后的眼底图像进行人工判读，诊断周期长达2-3天，且不同医师的分期一致性仅为0.58-0.72的Kappa值，难以满足新生儿重症监护室大规模筛查的时效需求。深度学习技术在医学图像分析领域的突破为ROP自动化诊断提供了新的解决方案，当前基于卷积神经网络（CNN）、Transformer等架构的模型已在ROP识别任务中实现超过95%的分类准确率，部分模型的分期精度甚至超过高年资眼科医师平均水平。

一、ROP眼底图像数据集构建与预处理技术

数据集是深度学习模型训练的基础，当前公开ROP数据集规模已从早期数百级提升至万级水平，且标注体系逐步标准化。国际上代表性数据集包括2018年发布的ROP-ID数据集（包含1,200张眼底图像，标注正常、轻度ROP、重度ROP三类）、2021年发布的DeepROP数据集（包含18,372张图像，覆盖1到5期病变及附加病标注），以及我国上海交通大学医学院附属新华医院2023年发布的CHN-ROP数据集（包含32,516张多民族早产儿眼底图像，首次纳入急进型ROP病例标注）。不同数据