深度GA-Net用于在OCT扫描上准确和可解释地检测地理缩
Amr Elsawy1, Tiarnan D L Keenan2, Qingyu Chen1
1National Center for Biotechnology Information, National Library of Medicine, National Institutes of Health, Bethesda, Maryland.
Ophthalmology science
|June 12, 2023
概括
深度GA-Net是一个新的3D深度学习网络,在光谱域光连贯性断层扫描 (SD-OCT) 中准确检测地理缩 (GA). 它的可解释可视化被眼科医生高度评价.
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:
- 地理缩 (GA) 是导致视力丧失的主要原因.
- 从光谱域光学连贯性断层扫描 (SD-OCT) 扫描中准确检测GA对于监测疾病进展和评估治疗至关重要.
- 现有的深度学习模型需要提高准确性和可解释性.
研究的目的:
- 引入Deep-GA-Net,一个具有3D注意层的3D深度学习网络,用于在SD-OCT扫描中检测GA.
- 在GA检测中提高深度学习模型决策的可解释性.
- 将Deep-GA-Net的性能与现有方法进行比较.
主要方法:
- 开发了Deep-GA-Net,使用311名参与者的1284个SD-OCT扫描数据集.
- 实施交叉验证以确保可靠的评估,培训和测试集之间没有参与者重叠.
- 利用面对面的热图和B级扫描重要的区域来可视化模型输出,并通过眼科医生分级来评估可解释性.
主要成果:
- 深度GA-Net实现了卓越的性能指标:0.93准确度,接收器操作特征曲线 (AUC) 下的0.94面积,精度回忆曲线 (APR) 下的0.91面积.
- 该模型的可视化得到了高眼科医生评分:面对面的热图为0.98,B扫描分级为0.68,表明可解释性增强.
- 在GA检测准确性和可解释性方面,Deep-GA-Net的表现优于其他评估网络.
结论:
- 深度GA-Net在从SD-OCT扫描中检测地理缩方面表现出高准确度.
- 该网络的可视化方法提供了更容易解释的输出,有助于临床解释.
- 该研究为Deep-GA-Net提供了公开可用的代码和预训练模型,促进了进一步的研究和应用.
