基于使用视觉变压器模型的光学连贯性断层扫描图像对糖尿病性黄斑病的分类
Liwei Cai1, Chi Wen2, Jingwen Jiang3
1Department of Ophthalmology, Renmin Hospital of Wuhan University, Wuhan, Hubei, China.
BMJ open ophthalmology
|December 22, 2023
概括
一种新的视觉变压器模型使用光学连贯断层扫描 (OCT) 图像准确检测糖尿病巨病 (DM) 阶段. 这种人工智能工具有助于初步查,识别需要进一步诊断和及时治疗的患者,以获得更好的视觉结果.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 糖尿病性黄斑病 (DM) 是导致视力丧失的主要原因.
- 精确的DM分期对于及时干预和预后至关重要.
- 光学连贯断层扫描 (OCT) 是DM评估的关键成像方式.
研究的目的:
- 开发和评估视觉转换器 (ViT) 深度学习模型.
- 使用OCT图像检测和分类糖尿病巨病的不同阶段.
- 评估模型在区分早期糖尿病黄斑胀,晚期黄斑胀,严重黄斑胀和缩黄斑病的表现.
主要方法:
- 一个由DM患者3319张OCT回顾图像组成的数据集进行了策划.
- 图像被随机分为训练 (70%) 和验证 (30%) 组.
- 基于Vision Transformer架构的深度学习模型被训练用于DM阶段检测.
主要成果:
- ViT模型的整体精度为82.00%,F1得分为83.11%.
- 总检测曲线下的面积 (AUC) 为0.96.
- 早期DME,晚期DME,严重DME和缩性黄斑病的特定AUC分别为0.96,0.95,0.87和0.98.
结论:
- 开发的视觉转换器模型在通过OCT图像对糖尿病巨病的分级方面表现出高度准确性.
- 这种人工智能工具可以帮助进行初步查,识别高风险患者进行进一步评估.
- 该研究强调了人工智能在支持糖尿病巨病管理临床决策方面的潜力.
