相关实验视频
Updated: Jul 31, 2026
05:51
Smartphone Fundus Photography
Published on: July 6, 2017
39.0K
开发和部署用于诊断气管瘤的智能手机应用程序:利用无代码深度学习和边缘人工智能
Daniel Milad1,2,3, Fares Antaki1,2,3, Marie-Claude Robert1,3
1Department of Ophthalmology, University of Montreal, Montreal, Quebec, Canada.
概括
自动机器学习 (AutoML) 使临床医生能够建立深度学习 (DL) 模型来诊断气管瘤,实现与专家模型相提并论的性能. 这使得医疗保健专业人员的AI变得民主化.
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:
- 气管瘤的诊断依赖于专家的临床评估.
- 深度学习 (DL) 模型对自动疾病检测有希望.
- 临床医生往往缺乏编码专业知识来开发DL模型.
研究的目的:
- 评估自动机器学习 (AutoML) 在从结节图像诊断气管瘤方面的性能.
- 将AutoML生成的DL模型与专家设计的DL模型进行对比,以诊断气管瘤.
主要方法:
- 两名眼科实习生使用AutoML设计了二元DL模型,以区分从正常的轨迹性炎症-毛囊 (TF) 和轨迹性炎症-强度 (TI).
- 模型在1656个标记为结节图像的公共数据集上进行了训练.
- 一个Edge模型被集成到一个Android应用程序中,用于离线诊断.
主要成果:
- 自动ML模型表现出高的诊断性能,与定制DL模型相比或优于它.
- TF模型实现了0.945的精度回忆曲线 (AuPRC) 下的面积,灵敏度为87%,特异性为88%.
- TI模型实现了0.975的AuPRC,具有95%的灵敏度和92%的特异性.
结论:
- 没有编码经验的临床医生开发的AutoML模型的性能与专家设计的模型相比或更好.
- 将AutoML与边缘计算集成,使得临床医生领导的DL模型开发和在智能手机上部署成为可能.
- 这种方法有可能在临床环境中使人工智能获得民主化.
