以不确定性为灵感的开放式学习,用于视网膜异常识别

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 人工智能 (AI) 模型难以识别新的或未见的视网膜疾病.
• 对视网膜异常的准确分类对于早期诊断和治疗至关重要.
• 当前的人工智能系统缺乏强大的机制来处理视网膜成像中的分布外样本.

研究的目的:

• 开发一种以不确定性为灵感的开放集 (UIOS) 模型,以改进视网膜异常的识别和分类.
• 通过解决看不见的课程的挑战,提高AI在现实世界的临床环境中的可靠性.
• 为了在视网膜底图像的分类预测之外提供一种信心指标.

主要方法:

• 开发了一个以不确定性为灵感的开放集 (UIOS) 模型,该模型在9种视网膜疾病的 fundus 图像上进行训练.
• 结合了不确定性得分计算以及类别概率评估.
• 实施了值策略,以评估模型在不同数据集上的表现.

主要成果:

• 与标准AI模型 (92.20%, 80.69%, 64.74%) 相比,UIOS模型获得了显著更高的F1分数 (99.55%的内部,97.01%的外部TC,91.91%的隐形TC).
• UIOS正确预测了非目标类别的高不确定性得分,包括视网膜疾病,低质量的图像和非基金图像.
• 该模型在区分已知的和未知的视网膜疾病方面表现出强大.

结论:

• UIOS模型提供了一个强大的解决方案,通过有效地处理看不见的类来对视网膜异常进行现实查.
• 不确定性得分为识别需要手动专家审查的情况提供了有价值的工具,提高了诊断安全性.
• 这种方法提高了人工智能在眼科中用于异常检测的实际适用性.