相关实验视频
Updated: Jul 12, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
一个卷积神经网络使用多模式视网膜成像来区分轻度认知障碍与正常认知
C Ellis Wisely1,2, Alexander Richardson1,2,3,4, Ricardo Henao2,3,4
1Department of Ophthalmology, Duke University School of Medicine, Durham, North Carolina.
Ophthalmology science
|October 25, 2023
概括
一个新的机器学习工具有效地区分轻度认知障碍 (MCI) 使用光学连贯断层扫描 (OCT) 和OCT血管学 (OCTA) 图像. 定量成像数据显著提高了诊断准确度,超过了人口统计信息.
科学领域:
- 眼科医生 眼科 眼科
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 轻度认知障碍 (MCI) 在早期诊断中构成了重大挑战.
- 光学连贯断层扫描 (OCT) 和OCT血管造影 (OCTA) 为眼部成像提供了非侵入性方法.
- 机器学习 (ML) 在分析复杂的医疗数据以用于诊断目的方面表现有前途.
研究的目的:
- 开发和评估一种机器学习工具,用于区分正常认知和MCI,使用OCT和OCTA数据.
- 评估多模式卷积神经网络 (CNN) 的诊断性能.
主要方法:
- 开发了一种多式CNN,用于分析质细胞内状层 (GC-IPL) 厚度图,OCTA图像和定量患者数据.
- 美国有线电视新闻 (CNN) 被训练,验证和测试在认知正常受试者和MCI受试者的眼睛数据集上.
- 使用接收器操作特征曲线 (AUC) 下的面积,灵敏度和特异性来评估性能.
主要成果:
- 多式联网CNN的AUC达到0.809,在独立测试组中识别MCI的灵敏度为79%,特异性为83%.
- 单独的GC-IPL厚度图 (AUC=0.681) 和OCTA图像 (AUC=0.625) 的预测能力低于组合模型.
- 定量成像数据,特别是衍生指标 (AUC=0.960),与人口统计数据 (AUC=0.580) 相比,显著提高了诊断性能.
结论:
- 一个新的CNN有效地识别MCI使用OCT和OCTA成像与定量数据相结合.
- 为了帮助决策,GC-IPL厚度图比OCTA图像更具信息性.
- 与人口数据相比,定量成像指标为MCI检测提供了更好的诊断实用性.
