可解释深度学习用于诊断真菌和acanthamoeba角膜炎,使用体内共聚焦显微镜图像

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 传染性角质炎,包括真菌角质炎 (FK) 和阿坎萨摩巴角质炎 (AK),具有严重的失明风险.
• 早期和准确的诊断对于这些严重的角膜疾病的有效治疗至关重要.
• 视觉共聚焦显微镜 (IVCM) 是可视化角膜病理学的关键诊断工具.

研究的目的:

• 开发和评估深度学习模型,以使用IVCM图像自动诊断传染性角膜炎.
• 为培训和验证这些AI模型创建一个全面的数据集 (IVCM-Keratitis).
• 评估卷积神经网络 (CNN) 在区分FK,AK,非特异性角膜炎和健康角膜方面的诊断性能.

主要方法:

• 一套4001张IVCM图像的数据集进行了策划,包括FK,AK,非特异性角膜炎 (NSK) 和健康的角膜样本.
• 在IVCM-Keratitis数据集上开发和训练了多个基于CNN的深度学习模型.
• 模型性能使用包括准确性,精度,回忆和F1分数在内的指标进行评估.
• 使用可解释的人工智能 (XAI) 技术,特别是突出地图,来解释模型预测.

主要成果:

• Densenet161模型实现了最高的性能,精度为93.55%,精度为92.52%,回忆率为94.77%,F1得分为96.93%.
• 开发的模型显示了自动诊断辅助在从IVCM图像中识别传染性角膜炎的强大潜力.
• Saliency 地图成功地突出了图像中的感染区域,为AI的诊断提供了视觉解释.

结论:

• 深度学习模型,特别是Densenet161,在通过IVCM提高感染性角膜炎诊断的准确性和效率方面显示出重大前景.
• 拟议的人工智能系统可以作为眼科医生的宝贵支持工具,有助于早期检测危及视力的疾病,如FK和AK.
• 整合XAI方法提高了AI驱动的诊断建议在眼科的可靠性和可解释性.