基于美图的无监督学习使干眼疾病的亚型能够被确定,并揭示了眼睛表面的特征

科学领域:

• 眼科医生 眼科 眼科
• 人工智能在医学中的应用
• 医疗成像医学成像

背景情况:

• 干眼病 (DED) 的诊断和分类仍然具有挑战性.
• 需要客观的方法来表征DED亚型.
• 梅博基图是评估梅博基腺 (MG) 形态学的宝贵工具.

研究的目的:

• 为干眼患者开发一个无监督的,基于图像的分类系统.
• 识别与不同基于图像的DED亚型相关的独特临床特征.
• 为了利用深度学习来分析DED中的meibography图像.

主要方法:

• 分析了来自20559名受试者的82,236张meibography图像.
• 利用SimCLR神经网络进行图像分类和k-means集群用于患者分层.
• 使用UNet模型对梅博米腺细分和评估临床特征,如撕裂时间 (BUT) 和撕裂阴茎高度 (TMH).

主要成果:

• 使用无监督学习识别了六种不同的基于图像的干眼子类型.
• 亚型在非侵入性BUT,TMH,梅博米腺缩和角膜光染色 (CFS) 中表现出显著差异.
• 特定的亚型与严重的MG缩,高CFS或改变的TMH和MG区域有关.

结论:

• 一个无监督的神经网络模型成功地将干眼患者分为基于图像的亚型.
• 这些亚型与特定的功能和形态临床特征相关.
• 这种方法提供了一种新的方法来理解和潜在地管理DED异质性.