抵消数据偏差和阶级不平衡 - - 建立一个有用和可靠的视网膜疾病识别系统
Adam R Chłopowiec1, Konrad Karanowski1, Tomasz Skrzypczak2
1Department of Artificial Intelligence, Wroclaw University of Science and Technology, Wybrzeże Wyspianskiego 27, 50-370 Wroclaw, Poland.
Diagnostics (Basel, Switzerland)
|June 10, 2023
概括
一个新的多类人工智能模型使用多种眼底图像准确地选糖尿病视网膜病变 (DR),与年龄相关的黄斑退化 (AMD) 和玻璃眼 (GL). 这种方法解决了数据不平衡,在临床环境中获得更可靠,更可概括的结果.
科学领域:
- 眼科和医学成像人工智能AI
- 计算机视觉在医疗保健中的应用
背景情况:
- 现有的研究显示出有希望的结果,但缺乏在眼部疾病的大型,多样化的数据集上训练的多类模型.
- 医学图像数据集中的阶级不平衡对开发强大的AI选工具构成重大挑战.
- 以前的研究还没有整合多个大型,多样化的眼底图像集合,以创建一个统一的数据集.
研究的目的:
- 开发一个医学上准确的,多类AI模型来检测糖尿病视网膜病变 (DR),与年龄相关的黄斑退化 (AMD) 和玻璃眼 (GL).
- 通过合并22个不同的,公开可用的眼底图像数据集来解决阶级失衡问题.
- 创建一个可概括的查模型,反映真实世界的临床条件.
主要方法:
- 合并了22个不同的公共数据集,形成了124,153张眼底图像的大型统一数据集.
- 仅包括与糖尿病视网膜病变 (DR),与年龄相关的黄斑退化 (AMD) 和玻璃眼 (GL) 相关的图像,以获得医学有效性.
- 利用最先进的深度学习模型 (ConvNext,RegNet,ResNet) 进行培训和评估.
主要成果:
- 在多个指标上,ConvNextTiny模型实现了最高的性能.
- 总体准确率达到80.46±1.48%,具体准确率为80.01% (正常),97.20% (白内障),98.14% (老年痴呆症) 和80.66% (DR).
- 该模型在识别针对性流行视网膜疾病方面表现出强的表现.
结论:
- 通过使用大量多样化的数据集,成功开发了一种针对常见视网膜疾病的强大的多类查模型.
- 这种方法有效地减轻了阶级不平衡和偏见,从而产生了更具普遍性的结果.
- 开发的人工智能模型显示了作为对老龄化人口查的有价值工具的潜力.
