自主监督学习以改善光学连贯性 扫描 检测斑点长长膜症2型
Shahrzad Gholami1, Lea Scheppke2, Meghana Kshirsagar1
1AI for Good Lab, Microsoft Research, Redmond, Washington.
JAMA ophthalmology
|February 8, 2024
概括
自主监督学习提高了使用有限数据在OCT扫描上的斑点远程切除症2型 (MacTel) 分类. 这种方法提高了罕见疾病的诊断准确度.
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:
- 医疗图像分析的深度学习需要大型标记数据集,这些数据集对于罕见疾病 (如2型斑点长尾症 (MacTel)) 很少.
- 在光学连贯断层扫描 (OCT) 上对MacTel的自动分类对于及时诊断和治疗至关重要.
研究的目的:
- 开发和评估一种自我监督的学习方法,用于在OCT图像上进行自动化MacTel分类.
- 与传统的监督方法相比,评估具有有限标记数据的自我监督模型的性能.
主要方法:
- 使用来自患有和没有MacTel的患者的OCT图像进行了回顾性研究.
- 两个卷积神经网络 (ResNet18,ResNet50) 在未标记的数据上使用自主监督方法 (Bootstrap Your Own Latent) 进行预训练.
- 模型使用有限的标记数据进行了微调,并与完全监督的模型进行了比较.
主要成果:
- 自主监督的ResNet50模型在100%的标记数据上进行微调时实现了高性能 (AUPRC: 0.971,AUROC: 0.970).
- 即使只有10%的标记数据,自主监督的ResNet18模型显示了类似的结果 (AUPRC: 0.958,AUROC: 0.966).
- 自主监督的模型表现出与人类评分专家的更好的一致性.
结论:
- 自主监督学习显著改善了在有限的标记数据下对OCT的自动化MacTel分类.
- 这种方法对诊断其他罕见疾病有希望,因为标记数据很少.
- 需要进一步的研究来探索这些方法的更广泛的适用性.
