数据预处理和增强 改进了使用多中心数据集重复神经网络的视觉场预测.
Jeong Rye Park1, Sangil Kim2, Taehyeong Kim2
1Finance Fishery Manufacture Industrial Center on Big Data, Pusan National University, Busan, Republic of Korea.
Ophthalmic research
|May 26, 2023
概括
数据预处理和增强显著改善了循环神经网络 (RNN) 视野 (VF) 预测. 定期RNN模型在预测未来VF变化方面表现优于非周期模型.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 青光眼的管理依赖于准确的视野 (VF) 监测.
- 循环神经网络 (RNN) 显示出预测VF进展的潜力.
- 由于可变的VF测试间隔,多中心数据集存在挑战.
研究的目的:
- 评估数据预处理和增强是否增强基于RNN的VF预测.
- 为了比较VF预测的周期性与非周期性RNN模型.
- 评估不同数据增强策略对预测准确性的影响.
主要方法:
- 从五个青光眼服务中心 (2004-2021) 进行了331,691名虚拟光眼患者的回顾性分析.
- 应用数据增强来创建固定间隔数据集 (365±60天和180±60天).
- 利用RNN与不同的长期和短期记忆 (LSTM) 细胞,比较5vs6 LSTM和周期性vs无周期性模型.
主要成果:
- 周期性RNN模型 (D=365) 的表现明显优于非周期性模型 (MAE:2.56与3.26 dB相比,p < 0.001).
- 更高的周边频率 (更短的间隔) 提高了预测准确度 (RMSE:3.15对比3.42 dB对于D=180对比D=365).
- 在D=180周期模型中增加输入VF和使用6-LSTM细胞提高了稳定性和预测准确性.
结论:
- 数据预处理与增强是有效提高基于RNN的VF预测.
- 与非周期性模型相比,周期性RNN模型提供了明显更好的未来VF预测.
- 优化的数据增强和模型架构提高了AI在青光眼监测中的可靠性.
