マルチタスクのディープラーニングパイプラインで,多種目の網膜疾患の分類のための血管セグメンテーションとラジオミクスを統合
Feng Yan1, Yanxia Liu2, Qingsong Zhao3
1Department of Ophthalmology, Ningcheng Central Hospital, Chifeng City, Inner Mongolia Autonomous Region, 024200, China.
Photodiagnosis and photodynamic therapy
|September 6, 2025
まとめ
この研究は,糖尿病性網膜症,高血圧性網膜症,および fundus 画像から papilledema を分類するためのディープラーニングの枠組みを開発しました. このモデルは高い精度を達成し,網膜疾患の自動診断の可能性を示しました.
科学分野:
- 眼科について
- 医療用イメージング
- 人工知能
背景:
- 糖尿病性網膜症 (DR),高血圧性網膜症 (HR),パピル腫などの網膜疾患の正確な分類は,適切な介入に不可欠です.
- fundus画像の自動化された分析は,これらの状態の早期発見と管理に役立ちます.
研究 の 目的:
- 4つの網膜疾患の自動分類のための血管セグメンテーションと放射性分析を統合したマルチタスクのディープラーニングフレームワークを開発する.
- 病気の分類のためのトランスフォーマーベースのセグメンテーションモデルと放射性特性の性能を評価する.
主な方法:
- 8つの医療センターの2,165人の患者のデータセットを使用し, 標準化された先行処理を受けた fundus画像を使用しました.
- 5つのディープラーニングモデル (U-Net,Attention U-Net,DeepLabV3+,HRNet,Swin-Unet) を採用した.
- 220の放射性特性を抽出し,動脈静脈比率 (AVR) を計算し,XGBoost,CatBoost,RF,Ensembleモデルを使用して特性の選択と分類を行った.
主要な成果:
- Swin-Unetは92.4% (全血管) と89.8% (動脈-静脈) の外部ダイース類似度係数 (DSC) で優れたセグメンテーション性能を達成しました.
- LASSO-Ensemble分類器の組み合わせにより,試験精度は93.7%,外部試験精度は92.3%,AUCは95.2%となった.
- AVRの推定値は臨床的期待と一致し,クラス差別に大きく貢献しました.
結論:
- 開発されたマルチタスクパイプラインは,トランスフォーマーベースのセグメンテーションと放射線学を効果的に組み合わせて,正確な解釈可能な網膜疾患の分類を行っています.
- このフレームワークは強い汎用性を示し,自動化された網膜疾患の診断における将来の臨床応用に重要な可能性を示しています.
