使用卷积神经网络监测临床怀疑的微生物角质炎的进展
Ming-Tse Kuo1,2,3, Benny Wei-Yun Hsu4, Yi Sheng Lin4
1Department of Ophthalmology, Kaohsiung Chang Gung Memorial Hospital and Chang Gung University College of Medicine, Kaohsiung City, Taiwan.
Translational vision science & technology
|November 1, 2023
概括
使用卷积神经网络 (CNN) 的深度学习模型可以通过分析眼睛图像来监测微生物角质炎 (MK) 的进展. 这种AI方法有助于通过图像对对比来管理MK治疗的有效性.
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
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 微生物角质炎 (MK) 需要仔细监测才能有效治疗.
- 外部眼睛摄影是跟踪眼睛状况的常见方法.
- 先进的人工智能,特别是深度学习在眼科诊断中的应用是一个新兴领域.
研究的目的:
- 评估一种基于卷积神经网络 (CNN) 的方法,用于监测微生物角质炎 (MK) 的进展.
- 评估使用CNN特征提取器和识别器来管理可疑的MK的可行性.
- 为了确定AI是否可以有效地跟踪疾病变化,使用串行外部眼睛摄影.
主要方法:
- 一项多中心纵向队列研究,涉及疑似MK的患者.
- 连续的外部眼睛摄影是在20年内进行的.
- 一个基于CNN的模型,包括一个特征提取器和标识符,被训练并使用F1得分,准确性和AUROC指标进行评估.
主要成果:
- 全面训练CNN模型 (特征提取器和标识符) 与只训练标识符相比,准确度显著更高.
- 基于EfficientNet b3的CNN模型在疾病改善方面获得了90.2%的F1得分,在恶化方面获得了82.1%的F1得分.
- 该模型显示了87.3%的准确性和94.2%的AUROC,用于在测试图像对中对疾病进展/回归进行分类.
结论:
- 基于CNN的深度学习方法在监测疑似微生物角质炎 (MK) 的进展和回归方面是有效的.
- 将连续外部眼睛图像对与AI进行比较,可以在治疗期间有效管理MK.
- 这项研究证实了AI在眼镜图像分析中对可疑MK病例的临床决策的实用性.
