आईएसएसएन: 2574-0407
तहमीना नसरीन पॉली
पृष्ठभूमि और उद्देश्य: सटीक रेटिना वाहिका विभाजन को अक्सर हृदय रोगों, मधुमेह और नेत्र रोगों सहित विभिन्न रोगों के निदान और जांच का एक विश्वसनीय बायोमार्कर माना जाता है। हाल ही में, डीप लर्निंग (डीएल) एल्गोरिदम ने रेटिना छवियों को विभाजित करने में उच्च प्रदर्शन का प्रदर्शन किया है जो तेज और जीवनरक्षक निदान को सक्षम कर सकता है। हमारी जानकारी के अनुसार, इस शोध क्षेत्र में वर्तमान कार्य की कोई व्यवस्थित समीक्षा नहीं है। इसलिए, हमने रेटिना वाहिका विभाजन में डीएल एल्गोरिदम के प्रदर्शन को मापने के लिए प्रासंगिक अध्ययनों के मेटा-विश्लेषण के साथ एक व्यवस्थित समीक्षा की। तरीके: 1 जनवरी 2000 और 15 जनवरी 2020 के बीच प्रकाशित अध्ययनों के लिए EMBASE, PubMed, Google Scholar, Scopus और Web of Science पर एक व्यवस्थित खोज की गई। दो लेखकों ने स्वतंत्र रूप से सभी शीर्षकों और सार तत्वों को पूर्वनिर्धारित समावेशन और बहिष्करण मानदंडों के विरुद्ध जांचा। हमने पूर्वाग्रह और प्रयोज्यता के जोखिम का आकलन करने के लिए डायग्नोस्टिक सटीकता अध्ययनों के गुणवत्ता मूल्यांकन (QUADAS-2) उपकरण का उपयोग किया। परिणाम: व्यवस्थित समीक्षा में इकतीस अध्ययन शामिल किए गए थे; हालाँकि, केवल 23 अध्ययन मेटा-विश्लेषण के लिए समावेशन मानदंडों को पूरा करते थे। DL ने चार सार्वजनिक रूप से उपलब्ध डेटाबेस के लिए उच्च प्रदर्शन दिखाया, क्रमशः DRIVE, STARE, CHASE_DB1 और HRF डेटाबेस पर ROC के तहत 0.96, 0.97, 0.96 और 0.94 का औसत क्षेत्र प्राप्त किया। DRIVE, STARE, CHASE_DB1 और HRF डेटाबेस के लिए पूल की गई संवेदनशीलता क्रमशः 0.77, 0.79, 0.78 और 0.81 थी। इसके अलावा, DRIVE, STARE, CHASE_DB1, और HRF डेटाबेस की संयुक्त विशिष्टता क्रमशः 0.97, 0.97, 0.97, और 0.92 थी। निष्कर्ष: हमारे अध्ययन के निष्कर्षों से पता चला है कि DL एल्गोरिदम में डिजिटल फंडस छवियों से रेटिना वाहिकाओं को विभाजित करने के लिए उच्च संवेदनशीलता और विशिष्टता थी। रेटिना वाहिका विभाजन में DL एल्गोरिदम की भविष्य की भूमिका आशाजनक है, खासकर उन देशों के लिए जहां स्वास्थ्य सेवा तक सीमित पहुंच है। दुनिया भर में रेटिना रोग स्क्रीनिंग के लिए DL-आधारित उपकरणों की लागत-प्रभावशीलता का मूल्यांकन करने के लिए अधिक व्यापक अध्ययन और वैश्विक प्रयास अनिवार्य हैं।