斑点腫の特徴と原因の検出における人工知能の有用性:スペクトル領域OCTベースのアルゴリズム研究

科学分野:

• 眼科と人工知能
• 医学画像分析
• 医療におけるディープラーニング

背景:

• 黄斑腫 (ME) は,しばしば糖尿病性黄斑腫 (DME) または年齢関連の黄斑変性 (AMD) から生じる視力喪失の主な原因です.
• ME の原因を正確に区別することは 効果的な治療に不可欠ですが 診断には困難です
• このギャップを埋めるために,光学コヘレンストモグラフィ (OCT) 画像を用いたMEの自動分類が必要である.

研究 の 目的:

• DME,AMD,および正常な網膜状態の自動分類のためのディープラーニングの枠組みを開発し,評価する.
• OCT画像解析のための異なるコンボリュショナルニューラルネットワーク (CNN) アーキテクチャのパフォーマンスを評価する.
• 診断予測の解釈性を高めるために説明可能なAI (XAI) テクニックを統合する.

主な方法:

• キング・アブドゥッラー大学病院 (KAUH) の1040のOCT画像の遡及データセットと公開データセットを使用した.
• モデルのパフォーマンスを最適化するために,プリプロセッシング,拡張,シミュレーションセグメンテーションを適用します.
• XAIのためのGrad-CAMを組み込んだResNet152,InceptionV3およびMobileNetV2の3つの事前訓練されたCNNをベンチマークし,評価した.

主要な成果:

• InceptionV3とResNet152は,両方のデータセットで高い精度 (95%-98%) を達成しました.
• MobileNetV2は,公的なデータセット (97%) で高いパフォーマンスを示し,KAUHデータセット (89%) で適度な精度を示しました.
• アノテーションされたデータに対して検証されたグラッド-CAM視覚化で,モデルの解釈が確認されました.

結論:

• ディープラーニングモデル,特にInceptionV3やResNet152のようなCNNは MEを正確に分類する大きな可能性を秘めています.
• CNNとXAIの統合は,眼科における診断の精度を高めることができます.
• この枠組みは,DMEやAMDのような疾患の 臨床的意思決定に役立ちます.