基于使用深度学习的多光谱 fundus 图像,预测心房动引起的缺血性中风风险

科学领域:

• 眼科医生 眼科 眼科
• 心脏病学 心脏病学
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 前庭动 (AF) 在一年内显著增加缺血性中风 (IS) 的风险.
• 两种AF和IS共享早期表现的缺血和低氧在小血管.
• 使用多频谱底部成像来预测AF患者的IS风险的潜力仍然未得到充分探索.

研究的目的:

• 预测IS的风险二次到AF使用深度学习的多频谱基金图像.
• 调查不同光谱波长及其组合对IS风险预测的有用性.
• 探索一种用于早期检测和预防AF患者IS的新方法.

主要方法:

• 招募了150名AF患者 (1年内没有IS) 和100名IS患者 (有AF病史).
• 收集了548,605和810纳米波长的 fundus 图像.
• 使用光谱底图像和临床数据训练了三个深度神经网络 (DNN) 模型 (Inception V3,ResNet50,SE50).

主要成果:

• 所有DNN模型都使用单个或多光谱图像实现了>78%的准确性.
• 605nm光谱图像提供了更稳定的IS检测性能.
• 多光谱组合模型显示,曲线下的面积 (AUC) 比单光谱模型的得分更高.

结论:

• 多谱 fundus成像与深度学习相结合,可以有效预测AF患者的IS风险.
• 利用多样化的光谱底图像有助于早期预防心血管和脑血管疾病.
• 这项研究提供了一个新的初步探索,用于预测像IS这样具有挑战性的条件.