表1 AI在白内障诊断中的应用综述 Table 1 Review on the application of AI in the diagnosis of cataract | ||||||||
作者 | 年份 | 数据集 | 图像 数量 | AI算法（模型） | 准确率/% | 灵敏度/% | 特异度/% | 其他诊断效能 |
Long等[21] | 2017 | 裂隙灯眼前节图像 | 886 | 卷积神经网络 | 96.56 | — | — | — |
Lin等[22] | 2019 | 裂隙灯眼前节图像 | 886 | 卷积神经网络 | 87.4 | 89.7 | 86.4 | PPV=74.4%; NPV=95.0% |
Jiang等[20] | 2021 | 裂隙灯眼前节图像 | 1 643 | 卷积神经网络（Faster R-CNN、ResNet） | 97.35 | 97.62 | 97.01 | — |
Li等[24] | 2010 | 裂隙灯眼前节图像 | >5 000 | 主动形状模型、支持向量机 | 95 | — | — | — |
Keenan等[25] | 2022 | 裂隙灯眼前节图像 | 18 999 | 卷积神经网络（DeepLensNet） | — | — | — | MSE=171.9 (SD, 38.9) |
Acharya等[7] | 2010 | 裂隙灯眼前节图像 | 2 520 | 反向传播算法、模糊K均值聚类算法和前馈神经网络 | 93.3 | 98 | 100 | — |
Vasan等[33] | 2023 | 裂隙灯眼前节图像 | 2 619 | 卷积神经网络 | 88 | 96 | 25 | PPV=92.3%；NPV=57.8% |
Wu等[3] | 2019 | 裂隙灯眼前节图像 | 37 638 | 卷积神经网络（ResNet） | 91.72 | 86.42 | 92.01 | AUC >0.99 |
Yang等[28] | 2016 | 眼底图像 | 1 239 | 支持向量机、反向传播神经网络 | 93.2 | — | — | — |
Xu等[1] | 2020 | 眼底图像 | 8 030 | 卷积神经网络（AlexNet）、反卷积网络（VisualDN） | 86.24 | — | — | — |
Wu等[27] | 2022 | 眼底图像 | 33 965 | 生成对抗网络、卷积神经网络（Inception-Resnet） | > 84 | > 71 | >89 | AUC >0.91 |
Xie等[31] | 2023 | 眼底图像 | 8 395 | 卷积神经网络（DenseNet121, Inception V3和ResNet50） | 93.4 | 88.73 | 95.33 | AUC=0.971 |
Zéboulon等[34] | 2023 | SS-OCT图像 | 1 326 | 卷积神经网络（U-Net） | — | 94.4 | 94.7 | AUC=0.98 |
Son等[8] | 2022 | 裂隙灯眼前节、眼底图像 | 1 972 | 卷积神经网络（ResNet 18, WideResNet 50-2和ResNext 50） | 96.43 | 96.6 | 93.62 | AUC=0.978 |
注：曲线下面积（area under the curve, AUC）；平均绝对误差（mean squared error, MSE）；标准差（standard deviation, SD）；阳性预测值（positive predictive value, PPV）；阴性预测值（negative predictive value, NPV）。 Note：AUC, area under the curve; MSE, mean squared error; SD, standard deviation; PPV, positive predictive value; NPV, negative predictive value.
| ||||||||