通过自动化深度学习来检测切割术后患者的移植失败
Carlos Méndez Mangana1,2,3, Anton Barraquer1,2, Álvaro Ferragut-Alegre1,2
1Barraquer Ophthalmology Center, Barcelona, Spain.
概括
自动化深度学习 (AutoML) 能够有效地检测透性角膜整形术 (PKP) 后的角膜移植缺陷. 这种人工智能方法提供了一个轻量级,可访问的工具,用于及时诊断和治疗,改善患者的治疗结果.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 角膜移植,特别是穿透角膜整形 (PKP),是一种常见的手术.
- 移植失败是PKP后的重大并发症,需要早期检测以获得最佳的患者管理.
- 当前的诊断方法可能会从先进的计算方法中受益,以提高准确性和可访问性.
研究的目的:
- 用自动深度学习 (AutoML) 算法检测透后角质整形 (PKP) 患者的移植失败.
- 评估基于云端和边缘的AutoML模型在移植故障检测方面的有效性.
- 评估人工智能驱动的工具对角膜移植缺陷的可访问和及时诊断的潜力.
主要方法:
- 一个观察性,横截面的研究,利用220个前极形形成术后前极眼睛图像的专有数据集.
- 使用从临床笔记中获得的成功/失败标签策略来训练AutoML算法.
- 伪匿名化并将数据集转移到谷歌云平台,通过Vertex AI-AutoML API进行模型培训,培训,测试和验证分为80/10/10.
主要成果:
- 基于边缘的AutoML模型被选择为其可出口,轻量化和成本效益的性质.
- 边缘模型实现了高性能指标:95.83%的准确性,91.67%的特异性,100%的灵敏性和95.996%的F1得分.
- 进一步分析包括曲线下的面积,混矩阵和激活地图开发等指标.
结论:
- 算法的自动训练显示了在PKP患者中检测角膜移植失败的前景.
- 通过AutoML开发的轻量级AI工具可以集成到应用程序中,潜在地民主化对专家级诊断能力的访问.
- 虽然结果很有前途,但相对较小的数据集表明可能会出现过度匹配;然而,AutoML赋予了AI计算机视觉领域有限编程经验的专业人士权力.
