معتبرترین مقاله در مورد تشخیص قوزقرنیه با هوش مصنوعی :
نویسنده دکتر مهرداد محمدپور
مقایسه طبقه‌بندی‌کننده‌های یادگیری ماشین مبتنی بر هوش مصنوعی برای تشخیص زودهنگام قوز قرنیه
این مقاله یک مطالعه تحقیقاتی اصلی با عنوان «مقایسه طبقه‌بندی‌کننده‌های یادگیری ماشین مبتنی بر هوش مصنوعی برای تشخیص زودهنگام قوز قرنیه» است که توسط چندین نویسنده، از جمله دکتر مهرداد محمدپور و زهرا حیدری، انجام شده است. این مطالعه با هدف مقایسه توافق بین طبقه‌بندی‌کننده‌های مبتنی بر هوش مصنوعی (AI) و متخصصان بالینی در دسته‌بندی قرنیه طبیعی از شرایط اکتاتیک (برآمده) انجام شد.
روش‌شناسی مطالعه
این مطالعه تشخیصی آینده‌نگر در بیمارستان چشم نور در تهران، ایران، انجام شد. تعداد ۲۱۲ چشم از ۲۱۲ بیمار به سه گروه تقسیم شدند: ۹۲ چشم سالم، ۵۲ چشم با قوز قرنیه تحت بالینی (SKCN)، و ۶۸ چشم با قوز قرنیه (KCN). تشخیص توسط سه متخصص مستقل انجام شد. سپس این موارد با استفاده از چهار طبقه‌بندی‌کننده مختلف هوش مصنوعی دسته‌بندی شدند:
* Pentacam Belin/Ambrosio enhanced ectasia total deviation value (BADD)
* Topographic Keratoconus Classification (TKC)
* Sirius Phoenix
* OPD-Scan III Corneal Navigator
عملکرد این طبقه‌بندی‌کننده‌ها با استفاده از حساسیت، ویژگی، و شاخص کاپا (κ) بررسی شد که نشان‌دهنده میزان توافق آن‌ها با نظر متخصصان بود.
نتایج کلیدی
* تشخیص قوز قرنیه تحت بالینی (SKCN): طبقه‌بندی‌کننده Sirius Phoenix بالاترین میزان توافق را با تشخیص بالینی داشت.
* Sirius Phoenix: حساسیت ۸۴.۶۲٪، ویژگی ۹۰.۰٪، κ=۰.۷۰
* BADD: حساسیت ۵۵.۵۶٪، ویژگی ۸۶.۰۸٪، κ=۰.۴۲
* TKC: حساسیت ۲۶.۹۲٪، ویژگی ۹۷.۵۰٪، κ=۰.۳۰
* Corneal Navigator: حساسیت ۳۰.۷۷٪، ویژگی ۹۳.۷۵٪، κ=۰.۲۹
* تشخیص قوز قرنیه (KCN): طبقه‌بندی‌کننده Sirius Phoenix بالاترین توافق را با نظر متخصصان داشت و پس از آن BADD و TKC قرار گرفتند.
* Sirius Phoenix: حساسیت ۸۰.۰۲٪، ویژگی ۹۶.۶۰٪، κ=۰.۷۹
* BADD: حساسیت ۹۵.۵۹٪، ویژگی ۸۵.۴۲٪، κ=۰.۷۵
* TKC: حساسیت ۹۵.۵۹٪، ویژگی ۸۴.۰۳٪، κ=۰.۷۳
* Corneal Navigator: حساسیت ۶۷.۶۵٪، ویژگی ۹۶.۴۵٪، κ=۰.۶۸
* دقت کلی: Phoenix بیشترین دقت را برای تمایز KCN (۹۱.۲۴٪) و SKCN (۸۸.۶۸٪) نسبت به سایر طبقه‌بندی‌کننده‌ها داشت.
نتیجه‌گیری
این مطالعه به این نتیجه رسید که طبقه‌بندی‌کننده‌های مبتنی بر هوش مصنوعی، به‌ویژه Sirius Phoenix، می‌توانند در تشخیص زودهنگام قوز قرنیه بسیار مفید باشند. با این حال، آن‌ها نمی‌توانند جایگزین نظر متخصصان بالینی، به‌ویژه برای تصمیم‌گیری پیش از جراحی‌های انکساری، شوند. نویسندگان اشاره می‌کنند که این طبقه‌بندی‌کننده‌ها در حال حاضر تنها برای اهداف غربالگری قابل استفاده هستند و دقت تشخیص یک پزشک متخصص همچنان استاندارد طلایی است. با این حال، پیشرفت‌های آینده در یادگیری عمیق در هوش مصنوعی ممکن است ابزارهای قابل اعتمادتری را برای پزشکان کم‌تجربه فراهم کند.