深度学习应用程序以混合培训方法检测玻璃眼:公共数据库和专家标记的玻璃眼人口

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:

• 人工智能 (AI) 对早期眼部疾病检测有希望,但需要大量,精心策划的数据集.
• 获得广泛,高质量的医疗图像数据库是一个重大挑战.
• 这项研究采用了一种新的方法,使用公共数据集进行初始培训,并使用专门的患者数据库进行改进.

研究的目的:

• 开发和验证基于人工智能的青光眼识别算法.
• 用专家标记的数据评估重新训练算法的对其诊断性能的影响.
• 探索自动化眼查的成本效益高的方法.

主要方法:

• 一个ResNet-50深度学习架构被调整并最初在10,658个公共基金图像上进行训练.
• 另外,从616名患者的1,158张专家标记的图像被纳入,根据青光眼的严重程度分类.
• 该算法进行了初步测试,随后对70%的专业数据库进行了重新训练,随后进行了重新测试.

主要成果:

• 最初的测试显示,所有图像的曲线下面面积 (AUC) 为76%,具体AUC为66% (早期),82% (中度) 和84% (高级) 青光眼.
• 在重新训练后,算法的AUC总体提高到82%,AUC为72% (早期),89% (中度) 和91% (晚期) 青光眼.
• 综合数据方法提高了系统在青光眼检测中的精度.

结论:

• 结合公开和专家策划的数据集,显著提高了用于青光眼识别的AI算法精度.
• 这一战略为开发可负担的自动眼查工具提供了一个有希望的途径.
• 这种精细的算法显示了在不同疾病阶段检测青光眼的增强能力.