基礎と監督学習ベースのモデルの比較
Kyle Bolo1, Tran Huy Nguyen2, Sreenidhi Iyengar2
1Roski Eye Institute, Keck School of Medicine, University of Southern California, Los Angeles, CA, USA.
medRxiv : the preprint server for health sciences
|September 2, 2025
まとめ
基礎モデルは,特に限られたデータで, fundus写真から参照可能なグラウコマを検出する見込みを示しています. カットした画像はパフォーマンスを改善しますが,一般化に影響を与える可能性があります.
科学分野:
- 眼科について
- 人工知能
- 医療用イメージング
背景:
- 視力喪失を防ぐには 視床写真から 緑内障を検出することが重要です
- ディープラーニングモデルは 自動化されたスクリーニングの 可能性を秘めています
研究 の 目的:
- 基礎モデル (RETFound) と 監督学習モデル (VGG-19) の性能を比較する.
- 画像のカットとデータセットのサイズに基づいてモデルのパフォーマンスを評価します.
主な方法:
- 6,116人の参加者のカットされた写真とカットされていない写真で4つのディープラーニングモデル (RETFound,VGG-19) を訓練しました.
- AUC-ROCやその他の指標を用いて,保持されたおよび外部テストセットで評価されたモデル.
- トレーニングセットのサイズと人口統計学的要因を問わず,評価されたパフォーマンス.
主要な成果:
- カットした画像モデルは,VGG-19が最高AUC-ROC (0.924) を示すことで,より高い性能を達成しました.
- RETFoundモデルは,より小さなデータセットと外部データで優位性を示しました.
- クロップされたRETFoundモデルは 民族間で一貫したパフォーマンスを示した.
結論:
- RETFound と VGG-19 の2つのモデルは,緑内障の検出に有効です.
- 基礎モデルは,限られたトレーニングデータと予想される領域のシフトのために好ましいかもしれません.
- 画像をカットするとパフォーマンスが向上しますが,一般化性が低下する可能性があります.
