人工智能在区分病理性近视障碍中脑下出血的起源方面的作用

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:

• 病态近视可以导致腹膜下出血 (SH),这可能源于胸膜新血管化 (CNV) 或简单出血 (SB).
• 准确的区分对于适当的治疗和管理至关重要.
• 使用光学连贯断层扫描 (OCT) B扫描图像来区分这些原因可能具有挑战性.

研究的目的:

• 确定关键的成像特征,以区分由于CNV发作的SH与在病理近视中没有CNV (SB) 的SH.
• 评估基于机器学习 (ML) 的方法在支持差异诊断方面的实用性.

主要方法:

• 采用了四种特征提取方法:GradCAM可视化,逆向工程,图像处理和人类等级测量.
• 使用一个深度学习模型 (Inception-ResNet-v2) 对OCT B扫描图像进行GradCAM分析.
• 人类分级器的诊断性能与ML衍生特征指导的和没有的人类分级器的诊断性能比较.

主要成果:

• CNV眼睛表现出更高的基线中央黄斑厚度.
• 图像处理显示了CNV眼中的SH边缘的子皮质物质不均性和Bruch膜中断.
• 随着ML指导,人类等级精度从76.9%提高到83.3% (P=0.02).
• 深度学习模型在分类SH原因方面实现了86.0%的准确性.

结论:

• 人工智能可以在近视眼中的SH环境中识别暗示CNV的成像生物标志物.
• 人工智能增强了人类诊断能力,使用基线OCT图像区分SH原因.
• 深度学习模型在区分与CNV相关的SH和简单的出血SH方面表现出高度准确性.