用EfficientNetV2B1和ConvNeXt检测到的糖尿病黄斑瘤光学一致性断层扫描生物标志物

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:

• 糖尿病 (DM) 是一个重大的医疗保健挑战,需要有效查视力威胁的并发症,如糖尿病黄斑 (DME).
• 目前的查方法面临时间和可访问性的限制,突出了对先进诊断工具的需求.
• 光学连贯断层扫描 (OCT) 对DME检测至关重要,但分析大型数据集需要有效的方法.

研究的目的:

• 评估ConvNeXt和EfficientNetAI架构在从OCT图像中识别DME方面的有效性.
• 评估AI在提高糖尿病视网膜病变 (DR) 并发症查能力和速度方面的潜力.
• 确定在自然图像上预训练的AI模型是否可以有效地分析医疗OCT扫描.

主要方法:

• 使用ConvNeXt和EfficientNet架构来分析现实世界的OCT图像.
• 开发模型来区分健康扫描和糖尿病视网膜病变 (DR) 的扫描.
• 训练了一个模型来检测,视网膜脱落和超反射焦点,而没有像素级的注释.

主要成果:

• 在区分糖尿病视网膜病变 (DR) 和健康视网膜扫描之间实现了0.98的准确性.
• 成功开发了一个模型,能够在没有像素级注释的情况下表明DME生物标志物的存在 (胀,脱落,超反射焦点).
• 证明预训练网络 (ConvNeXt,EfficientNet) 能够有效地识别海外扫描中的相关特征,即使在自然图像上进行训练.

结论:

• 像ConvNeXt和EfficientNet这样的AI模型可以准确地识别区分健康视网膜与DR的特征,利用自然图像预训练的知识.
• 人工智能可以检测和定位DME生物标志物,而不需要详细的像素级注释.
• 人工智能辅助的DME诊断显示出降低医疗保健成本,提高患者的生活质量,减少眼科咨询和治疗等待时间的希望.