一个基于机器学习的集中分类系统,用于使用 fundus 图像进行与年龄相关的黄斑变性 (AMD) 诊断

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:

• 与年龄相关的黄斑变性 (AMD) 是45岁以上人群视力丧失的主要原因.
• 早期发现和精确诊断AMD对于有效的干预和个性化治疗至关重要.
• 目前的诊断方法需要通过先进的计算工具及时改进.

研究的目的:

• 开发和验证一个全面的计算机辅助诊断 (CAD) 框架,用于将 fundus 图像分类为与年龄相关的黄斑变性 (AMD) 的不同阶段.
• 为了能够早期检测和精确诊断AMD,包括地理缩 (GA),中间AMD,正常和湿AMD类别.
• 提供一个工具,帮助医生评估AMD严重程度,以改善患者管理.

主要方法:

• 开发了一种新的CAD系统,从视网膜底图像中提取本地和全球外观标记.
• 从整个视网膜和与光盘对齐的特定异域中提取了特征.
• 使用权重多数投票,将表现最好的分类器的输出结合起来.

主要成果:

• 该系统在分类AMD类别方面实现了96.85%的高精度.
• 关键性能指标包括灵敏度 (93.72%),特异性 (97.89%),精度 (93.86%) 和F1评分 (93.72%).
• 该系统提供了视网膜区域严重性的详细评估,与临床理解保持一致.

结论:

• 开发的CAD框架显示了与年龄相关的黄斑变性 (AMD) 准确和早期诊断的巨大潜力.
• 该系统可以帮助眼科医生及时干预和针对AMD患者个性化治疗策略.
• 这种方法提供了一种强大的方法来分析 fundus 图像,提高诊断效率和患者的治疗结果.