基于生物标志物激活地图的可解释糖尿病视网膜病变诊断
IEEE transactions on bio-medical engineering
|July 5, 2023
概括
一个新的生物标志物激活地图 (BAM) 框架使用生成对抗性学习来使糖尿病视网膜病变 (DR) 诊断的深度学习模型可解释,帮助临床验证.
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:
- 深度学习分类器在使用光学连贯断层扫描 (OCT) 和OCT血管扫描 (OCTA) 诊断糖尿病视网膜病变 (DR) 时提供了高准确度.
- 这些模型中的复杂隐藏层,虽然强大,但限制了解释性,阻碍了临床信任和验证.
- 了解AI在DR诊断中的决策过程对于临床采用至关重要.
研究的目的:
- 引入一个新的生物标志物激活地图 (BAM) 框架,以提高DR诊断的深度学习分类器的可解释性.
- 为了使临床医生能够验证和理解AI模型的决策过程,以识别DR.
主要方法:
- 开发了一个BAM框架,利用两个U形生成器的生成对抗性学习.
- 在456个黄斑扫描中训练了一种DR分类器,对DR进行了分级.
- 通过对比输入扫描与训练有素的生成器的输出来改变分类,突出显示关键生物标志物的生成BAM.
主要成果:
- 生成的BAMs成功地突出了DR的已知病理特征,例如非 perfusion 区域和视网膜液.
- 该框架展示了可视化驱动分类者的决策的特定特征的能力.
结论:
- BAM框架提供了一种用于DR诊断的可解释深度学习模型的方法.
- 可解释的分类器可以提高临床医生的信心,并促进自动化DR诊断的验证.
