使用基于桌面的无代码机器学习工具检测和分类糖尿病黄斑
Furkan Kırık1, Büşra Demirkıran1, Cansu Ekinci Aslanoğlu1
1Bezmialem Vakif University Faculty of Medicine, Department of Ophthalmology, İstanbul, Türkiye.
Turkish journal of ophthalmology
|October 23, 2023
概括
无代码机器学习工具Lobe应用程序有效地识别和分类糖尿病黄斑 (DME) 在光谱域光学连贯性断层扫描 (SD-OCT) 中的高精度扫描. 这表明它对于眼科医生来说是有用的,而不需要编程技能.
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:
- 糖尿病黄斑 (DME) 是糖尿病患者视力丧失的主要原因.
- 准确的DME亚型的分类对于有效的治疗至关重要.
- 光谱域光学连贯性断层扫描 (SD-OCT) 是DME诊断的关键成像方式.
研究的目的:
- 评估Lobe应用程序的有效性,这是一个无代码的机器学习工具,用于识别和分类SD-OCT图像中的DME.
- 评估使用Lobe开发的机器学习模型的性能,用于DME检测和亚型化.
主要方法:
- 利用了来自DME患者的695张SD-OCT图像和来自健康对照的200张图像的数据集.
- 使用Lobe应用程序与预训练的ResNet-50 V2卷积神经网络进行模型开发.
- 将DME分为扩散视网膜 (DRE),囊性黄斑 (CME) 和囊性黄斑变性 (CMD).
主要成果:
- 该模型在整体DME检测方面实现了99.28%的灵敏度和100%的特异性.
- 对于DRE,CME和CMD的特异性分别为98.57%,99.29%和95.41%.
- 对DRE,CME和CMD的敏感性分别为87.80%,96.43%和95.71%.
结论:
- Lobe应用程序在识别和分类SD-OCT图像中的DME方面表现出高效率.
- 这种无代码的ML工具可以由眼科医生有效地使用,而不需要编码专业知识.
- 这项研究是用眼科图像对Lobe的首次评估,突出了其在临床实践中的潜力.
