一个基于放射学的机器学习系统,通过超广场底视网膜扫描来诊断与年龄相关的黄斑变性

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:

• 早期发现与年龄相关的黄斑退化 (AMD) 对于及时干预至关重要.
• 当前的诊断方法可能缺乏客观的定量生物标志物.
• 超广场底膜视网膜学 (UWF-FRTs) 提供了全面的视网膜成像.

研究的目的:

• 开发一种可解释的AI系统,使用放射学来预测来自UWF-FRTs的早期AMD症状.
• 将患者分为AMD低风险和高风险类别.
• 为临床医生提供AMD的自动分类器和客观图像生物标志物.

主要方法:

• 利用机器学习 (ML) 和放射学来分析黄斑区域的强度和纹理.
• 采用基于深度学习 (DL) 的黄斑探测器.
• 在2个中心的226个回顾性收集的UWF-FRT上训练并测试算法.

主要成果:

• 结合的ML放射学模型和DL斑点检测器在外部测试数据上实现了93%的灵敏度和74%的特异性.
• 该系统确定了与德鲁森和色素异常相关的可解释特征.
• 与人类注释有很大的一致性 (科恩的 κ = 0.79).

结论:

• 放射学与可解释的人工智能相结合,显示了使用UWF-FRTs早期AMD检测的希望.
• 这种方法为AMD评估中的客观,定量特征提取提供了合适的方法.
• 开发的系统支持临床医生使用自动分类器和AMD生物标志物.