基于深度学习的自动化AMD检测和分期在现实世界OCT数据集 (PINNACLE研究报告5) 中
Oliver Leingang1, Sophie Riedl1, Julia Mai1
1Department of Ophthalmology and Optometry, Medical University of Vienna, Vienna, Austria.
Scientific reports
|November 9, 2023
概括
一个新的深度学习模型准确地从视网膜光学连贯性断层扫描 (OCT) 中分类与年龄相关的黄斑变性 (AMD) 阶段. 这个工具有助于分析回顾性数据,以便早期检测iAMD,GA和nAMD.
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:
- 视网膜光学连贯性断层扫描 (OCT) 扫描在眼科中心非常普遍.
- 仅仅是电子健康记录不足以进行高质量的追溯数据分析.
- 与年龄相关的黄斑变性 (AMD) 的分类阶段对于患者管理至关重要.
研究的目的:
- 为与年龄相关的黄斑变性 (AMD) 阶段开发一个深度学习分类器.
- 在 OCT 追溯数据中有效识别早期/中间 (iAMD),缩 (GA) 和新血管 (nAMD) 阶段.
- 为了提高可靠性,生成分类不确定性估计.
主要方法:
- 在Topcon OCT图像上训练了一个两级卷积神经网络.
- 第1阶段:A 2D ResNet50分类的个人OCT B扫描.
- 第二阶段:四个ResNet模型使用连接的B扫描输出对整个OCT卷进行了分类.
- 蒙特卡洛脱落被用于不确定性估计.
主要成果:
- 该模型是从1849只眼睛的3765次扫描中训练出来的.
- 该分类器在现实世界测试集中实现了0.94的平均ROC-AUC.
- 该模型准确地区分了正常,iAMD,GA和nAMD分类.
结论:
- 深度学习有效地根据 OCT 的回顾性数据对 AMD 的阶段进行分类.
- 开发的分类器为分析OCT大规模数据集提供了强大的工具.
- 这项技术可以显著帮助对AMD进展和治疗结果的回顾性分析.
