德鲁森的深度学习分类,胆道神经血管化和糖尿病黄斑胀在光学一致性断层扫描 (OCT) 图像中
Parsa Riazi Esfahani1, Akshay J Reddy1, Neel Nawathey2
1Medicine, California University of Science and Medicine, Colton, USA.
Cureus
|August 11, 2023
概括
这项研究开发了一种AI深度学习模型,用于在光学连贯断层扫描 (OCT) 图像中自动检测德鲁森,胆道新血管化 (CNV) 和糖尿病黄斑胀 (DME),实现高精度以改善视力保护.
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:
- 与年龄相关的黄斑变性 (AMD),糖尿病视网膜病变 (DR),水,胆道新血管化 (CNV) 和糖尿病黄斑 (DME) 是导致视力丧失的主要原因.
- 光学连贯断层扫描 (OCT) 对于诊断这些疾病至关重要,但解释可能是主观的.
- 需要标准化诊断方法来提高准确性和一致性.
研究的目的:
- 开发和评估一个深度学习模型,用于使用OCT图像自动检测drusen,CNV和DME.
- 用精度,回忆和准确性等关键指标来评估模型的性能.
- 探索人工智能的潜力,以提高视网膜病理的诊断.
主要方法:
- 通过使用来自Kaggle.com.com的1528张OCT图像数据集来训练一个深度学习模型.
- 该模型旨在自动检测特定视网膜病理.
- 使用精度,回忆,灵敏度,特异性,F1得分和整体准确度来评估性能.
主要成果:
- 人工智能模型表现出高性能,精度为 (0.99),回忆力为 (0.962),灵敏度为 (0.985),特异性为 (0.987),F1得分为 (0.971) 和整体精度为 (0.987).
- 该模型有效地区分了健康和患病的OCT图像.
- 结果表明该模型在识别德鲁森,CNV和DME方面的有效性.
结论:
- 开发的深度学习模型对于在OCT图像中自动检测drusen,CNV和DME具有很高的有效性.
- 建议进行进一步的验证和临床整合研究,以评估可通用性和实际有效性.
- 人工智能驱动的OCT分析具有显著的潜力,可以改善患者的治疗结果和维护视力,特别是在服务不足的地区.
