背景
视网膜病（ROP）是导致儿童失明的可预防原因，在低收入和中等收入国家日益严重，而受过ROP培训的眼科医生稀缺。Plus病是由视网膜血管扩张和扭曲所标记，触发治疗，但其判断主观且变化多端。自动化筛查可以扩展专家的覆盖范围，但非洲的证据仍然有限。
方法
我们分析了121名肯尼亚早产儿，涵盖237只眼睛和1,635张眼底图像，分级为无Plus、Pre-Plus或Plus。两位评审员的血管标注支持了分割模型的训练。我们评估了11种配置用于眼级Plus检测，采用患者分组的嵌套交叉验证，包括图像分类器、多实例学习、多任务分割-分类和先分割后分类的管道。
结果
血管分割是可行的，达到了总体Dice系数0.533，IoU 0.368，敏感性0.623和特异性0.979。在保留的图像上，RGB分类器的敏感性很高，但过度推荐，而结合分割的模型则更具特异性。结合不同的方法可以提高性能：基于OR的筛查达到了最高的敏感性，基于AND的确认达到了最高的特异性，而概率集成方法提供了最佳的平衡性能，敏感性为0.692，特异性为0.914，平衡准确率为0.803，超越了单独的视觉分类器。
结论
分类与血管分割在肯尼亚数据中对ROP Plus检测是互补的。分类器支持敏感的病例发现，而分割提高了特异性并减少了过度推荐。非洲ROP AI系统应采用组合工作流程，并经过前瞻性的多中心验证。
博主点评： 本研究展示了图像分类与血管分割的协同作用，强调了在资源有限的环境中利用AI技术改善早产儿视网膜病筛查的潜力。通过结合多种方法，不仅提高了敏感性，还有效减少了误报，为未来的临床应用提供了宝贵的参考。