使用视觉变压器检测眼睛疾病 眼科居民视线数据的信息
概括
我们使用眼科医生住院注视数据来增强视觉转换器 (ViT) 模型,以提高青光眼的检测准确性和效率. 这为眼科诊所创造了更易于解释的AI.
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:
- 青光眼的检测准确性对于预防视力丧失至关重要.
- 目前的人工智能模型,如视觉变压器 (ViT),显示出有希望的结果,但可以进一步优化.
- 整合人类的专业知识,如眼科医生的凝视模式,可能会提高AI的性能.
研究的目的:
- 开发和评估两种新的方法来增强视觉变换器 (ViT) 模型,使用眼科医生住院注视数据.
- 评估视线信息培训对ViT用于青光眼检测的准确性和计算效率的影响.
- 探索眼科诊断中人类-人工智能合作的新范式.
主要方法:
- 开发了两个概念验证模型:固定顺序信息ViT和眼科医生视线增强ViT.
- 这些模型是通过整合眼科医生住院注视数据来训练的.
- 视线告知ViT的性能与标准ViT用于青光眼的检测进行了比较.
主要成果:
- 与标准ViT相比,固定顺序告知ViT和眼科医生视线增强ViT显示出更高的准确性.
- 增强的ViT模型也表现出更好的计算效率.
- 结果表明,结合视线数据显著有利于在青光眼检测中人工智能性能.
结论:
- 整合眼科住院患者的凝视数据,提高了ViT模型对青光眼瘤检测的性能.
- 视线信息的ViT为更准确和计算效率更高的AI诊断工具提供了一条途径.
- 这种方法为直接的医学专家-人工智能接口建立了一个新范式,在临床环境中培养更容易解释的AI队友.
