人工智能,可解释性和科学方法:关于新型视网膜生物标志物发现的概念验证研究

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 生物医学发现发现

背景情况:

• 视网膜图像中的基于性别的差异并未得到诊断人员的充分认可.
• 人工智能 (AI),特别是卷积神经网络 (CNN),可以根据视网膜图像对患者的性别进行分类.
• 可解释性方法对于理解人工智能决策和促进科学发现至关重要.

研究的目的:

• 开发一种结构化的方法,将AI可解释性与科学方法相结合,用于新型生物标志物发现.
• 用CNN模型在视网膜图像中识别和验证新的基于性别的生物标志物.
• 评估这些生物标志物的潜力,以提高临床诊断能力.

主要方法:

• 开发了一个视觉几何组 (VGG) CNN模型,以从视网膜图像中分类性别.
• 利用后期解释性工具来产生关于视网膜性别差异的假设.
• 在独立数据集上测试了14个假设,其中9个显示出显著差异.
• 验证了五个关键假设,确定了男性眼睛中特定的血管和外皮膜区域差异.

主要成果:

• 在视网膜血管和外皮皮质区域确定了五种新的基于性别的生物标志物.
• 在男性眼睛中,视网膜血管系统的长度,节点和分支显著增加.
• 观察到较大的视网膜区域被上象限的血管所覆盖,以及男性眼睛中较暗的周皮囊区域.
• 训练有素的眼科医生能够识别这些新的特征,大大提高了他们的分类性能.

结论:

• 人工智能可解释性和科学方法的整合是眼科生物标志物发现的强大工具.
• 使用这种方法可以识别和验证视网膜图像中的基于性别的新生物标志物.
• 这些发现有可能通过增强的临床工具包来增强诊断能力和改善患者护理.