相关实验视频
Updated: Jul 6, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
自动机器学习用于从超广场视网膜图像预测糖尿病视网膜病变的进展
Paolo S Silva1,2, Dean Zhang1, Cris Martin P Jacoba1,2
1Beetham Eye Institute, Joslin Diabetes Center, Boston, Massachusetts.
JAMA ophthalmology
|February 8, 2024
概括
机器学习模型可以使用超广场视网膜图像预测糖尿病视网膜病变 (DR) 的进展. 这些模型在识别高风险患者以改善治疗结果方面表现有前途.
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:
- 糖尿病视网膜病变 (DR) 构成视力丧失的重大风险.
- 早期识别DR进展对于及时干预至关重要.
- 机器学习 (ML) 提供了自动化风险评估的潜力.
研究的目的:
- 开发和验证用于预测DR进展的自动化ML模型.
- 使用超广场 (UWF) 视网膜图像进行DR进展预测.
- 评估模型在识别有显著DR恶化风险的患者中的准确性.
主要方法:
- 开发了使用1179张UWF视网膜图像的自动化ML模型,这些图像来自轻度至中度非增殖性DR (NPDR) 患者.
- 在80%的数据上训练并优化模型,其中10%用于验证和测试.
- 使用单独一组328张UWF图像验证模型性能,评估灵敏度,特异性和准确性.
主要成果:
- ML模型表现出强大的预测能力,精度回忆曲线下的面积 (AUPRC) 为0.717轻度NPDR和0.863中度NPDR.
- 在验证组中,轻度NPDR的准确率为64.3%,中度NPDR的准确率为73.8%.
- 模型成功地确定了高比例的眼睛在一年内进步两步或更多 (75%的轻度NPDR,85%的中度NPDR).
结论:
- 使用UWF图像的自动化ML模型对于识别DR进展是准确和可行的.
- 这些模型在一年内预测显著的DR恶化 (≥2级) 方面表现特别强.
- 通过识别高风险个体,ML算法可以完善风险分层,潜在地降低成本并改善视觉结果.
