深度学习模型用于在黄斑缩中自动区分EMAP与AMD
Maxime Chouraqui1, Emanuele Crincoli1,2, Alexandra Miere3
1Department of Ophthalmology, Centre Hospitalier Intercommunal de Créteil, 40, Avenue de Verdun, 94100, Créteil, France.
Scientific reports
|November 22, 2023
概括
一个新的深度学习 (DL) 分类器准确地区分了与年龄相关的黄斑变性 (AMD) 与广泛的黄斑缩和伪样外观 (EMAP) 使用 fundus自光 (FAF) 图像. 更宽的场 FAF 成像提高了 AI 的性能.
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:
- 区分与年龄相关的黄斑变性 (AMD) 和广泛的黄斑缩和伪样外观 (EMAP) 对于患者管理至关重要.
- 眼底自光成像 (FAF) 提供了对视网膜色素表皮和外视网膜健康状况的宝贵见解.
研究的目的:
- 使用FAF图像开发和评估一个深度学习 (DL) 分类器,以区分EMAP与干燥的AMD.
- 评估FAF图像视野对分类器性能的影响.
主要方法:
- 追溯选择EMAP或干性AMD二次性缩的患者.
- 在30°×30°和55°×55°FAF图像上训练两个基于ResNet-101的DL分类器.
- 对来自不同中心的数据进行分类器的独立测试.
主要成果:
- 30°×30° FAF DL 分类器在EMAP诊断中实现了84.6%的灵敏度和85.3%的特异性.
- 55°×55° FAF DL 分类器表现出优异的性能,灵敏度为90%,特异性为84.6% (p=0.037).
- 人工智能准确地区分了FAF上的缩原因,其性能通过广场成像得到了增强.
结论:
- 深度学习模型可以使用FAF成像有效地区分EMAP和AMD.
- 广场FAF采集显著提高了DL分类器对这些疾病的诊断性能.
