从视网膜照片中查莫亚莫亚病:深度学习算法的开发和验证
JaeSeong Hong1, Sangchul Yoon2, Kyu Won Shim3
1Department of Biomedical Systems Informatics (J.H., Y.R.P.), Yonsei University College of Medicine, Seoul, Republic of Korea.
Stroke
|January 23, 2024
概括
深度学习模型现在可以使用视网膜照片诊断和阶段化莫亚莫亚病 (MMD),为这种罕见的神经疾病的早期检测和管理提供了一个新的非侵入性工具.
科学领域:
- 眼科医生 眼科 眼科
- 神经学 神经学
- 人工智能的人工智能
背景情况:
- 莫亚莫亚病 (MMD) 是一种罕见的脑血管疾病,导致大脑中异常的血管形成.
- 由于不可预测的因素,MMD的诊断和进展具有挑战性,并可能导致眼部症状.
- 视网膜照片提供了对MMD的潜在见解,因为该疾病对眼血管系统的影响.
研究的目的:
- 开发和验证使用视网膜图像进行MMD查的深度学习模型.
- 评估该模型从 fundus 照片中预测 MMD 疾病阶段的能力.
- 研究视网膜照片作为MMD的非侵入性生物标志物的实用性.
主要方法:
- 一项回顾性观察研究分析了498张MMD和3835张健康的视网膜照片.
- 在预处理的视网膜图像上训练和验证了ResNeXt50深度学习模型.
- 模型性能使用ROC曲线,精度,灵敏度和特异性进行评估;热图验证了特征的重要性.
主要成果:
- 该MMD查模型实现了ROC曲线下的面积 (AUC) 为94.6%,灵敏度为89.8%,特异性为90.4%.
- MMD阶段预测模型显示AUC为78%或更高,第三阶段的最佳表现为93.6%.
- 热图分析突出显示,底血管区域对于MMD预测至关重要.
结论:
- 视网膜照片作为MMD查和分期的可行的生物标志物.
- 深度学习算法可以有效地使用视网膜成像来分类MMD疾病阶段.
- 这种人工智能驱动的方法促进了莫亚莫亚病的非侵入性诊断和监测.
