基于混合模型改善糖尿病黄斑的预测诊断:一项观察性研究

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:

• 糖尿病黄斑 (DME) 是2型糖尿病患者视力丧失的主要原因.
• 光学连贯断层扫描 (OCT) 是一个关键的诊断工具,但在许多地区是昂贵和难以获得的.
• 开发可访问的DME诊断替代方案至关重要,特别是在低收入和中等收入国家.

研究的目的:

• 开发和评估使用来自自发电网红图 (ERG) 信号的光谱信息进行DME的替代诊断方法.
• 评估将ERG衍生的光谱信息与 fundus成像或OCT相结合的潜力,以改进DME检测.
• 为DME创建一个具有成本效益和可访问的诊断工具.

主要方法:

• 从233名患者中记录了自发电网红图 (ERG),并转化为扫描图和光谱图.
• 卷积神经网络 (CNN) 使用转移学习与OCT, fundus图像和ERG衍生的光谱数据进行训练.
• 结合不同输入类型的混合模型在一个独立的数据集上被开发和验证.

主要成果:

• 与单个模型相比,集成ERG衍生光谱信息的混合模型表现出更好的性能.
• 结合基底图像和ERG数据的模型实现了91%的AUC和86%的F1分数.
• 一个结合OCT和ERG等级图的模型实现了93%的AUC和89%的F1分数,表明了增加的预测价值.

结论:

• 自发的ERG衍生的光谱信息提高了DME的基底和OCT模型的诊断准确性.
• 包括ERG信号在当前的OCT模型中提供了潜在的改进,并与 fundus成像相结合时提供了具有成本效益的替代方案.
• 这种方法对可访问和可靠的DME预测具有显著的前景,特别是在服务不足的地区.