使用多模式深度学习进行地理缩细分
Theodore Spaide1, Jiaxiang Jiang2,3, Jasmine Patil2
1Roche Personalized Healthcare, Genentech, Inc., South San Francisco, CA, USA.
Translational vision science & technology
|July 10, 2023
概括
深度学习模型使用多式成像准确地细分地理缩 (GA) 病变,达到与专家评分器相似的结果. 这些工具可以提高GA患者的临床评估.
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.
- 精确的GA病变细分对于监测疾病进展和评估治疗非常重要.
- 目前的手动细分方法可能耗时且主观.
研究的目的:
- 评估基于深度学习 (DL) 的方法,用于精确细分地理缩 (GA) 病变.
- 为了比较DL模型与专家评分器的性能,使用 fundus自光 (FAF) 和近红外 (NIR) 成像.
主要方法:
- 对GA的Proxima A和B自然历史研究中的成像数据的回顾性分析.
- 利用两个多式联网DL网络UNet和YNet,对FAF图像进行自动GA损伤细分.
- 使用Dice系数得分,Bland-Altman图和Pearson相关系数评估细分精度,将DL网络与专家评级注释进行比较.
主要成果:
- DL网络实现了高分段精度,Dice得分从0.89到0.92不等,相当于级别间得分 (0.94).
- 在DL网络和分级器 (0.9590.981) 之间观察到高相关性 (r) 的GA损伤面积.
- 病变区域扩大的纵向相关性低于截面相关性,这表明跟踪随时间变化的挑战.
结论:
- 多式联网DL网络展示了准确的GA损伤细分能力,产生与经验丰富的人类分级器可比的结果.
- 基于DL的工具显示出在临床研究和实践中支持高效和个性化的GA患者评估的前景.
