走向人口独立的,多种疾病的检测在 fundus 照片

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 最近的研究表明,自动糖尿病视网膜病变查系统在外部数据上的性能下降.
• 深度学习 (DL) 算法的通用性对于在不同人群和成像协议中选眼睛异常至关重要.
• 现有的DL模型经常与异质数据集扎,限制了它们在现实世界中的适用性.

研究的目的:

• 调查DL算法的可通用性,用于选 fundus 照片中的各种眼睛异常.
• 为了比较单个数据集 (SD) 和多个数据集 (MD) 训练的DL网络的性能.
• 评估DL模型在重叠和不连接的训练和测试数据集中的性能.

主要方法:

• 开发两种多种疾病的DL算法:一个在OPHDIAT上训练的单一数据集 (SD) 网络和一个在四个数据集 (OPHDIAT,OphtaMaine,RIADD,ODIR) 上训练的多个数据集 (MD) 网络.
• 对训练和测试数据的两个算法的评估来自重叠和不连接的数据集.
• 使用离开一个数据集的实验来评估概括性.

主要成果:

• SD网络在其培训数据集 (mAUC=0.9571) 上取得了高性能,但对其他数据集的概括很差 (mAUC < 0.9).
• 在所有四个数据集上训练时,MD网络的表现明显优于SD网络 (p=0.0058),这表明普遍性有所改善.
• 离开一个数据集的实验显示,与已见的人群相比,未见的人群的MD网络性能明显较低 (p < 0.0001),表明不完善的概括性.

结论:

• 在多个多样化的数据集上训练DL模型可以提高它们对查眼睛异常的概括性.
• 尽管得到了改进,但当前的DL模型表现出不完善的通用性,特别是在不包括在培训中的群体上.
• 需要进一步的研究来开发更强大的DL算法,能够在异构的人群和成像条件中保持一致的性能.