DeepAlienorNet:一个深度学习模型,从色底摄影中提取与年龄相关的黄斑退化症的临床特征
Alexis Mathieu1,2, Soufiane Ajana1, Jean-François Korobelnik1,2
1Inserm, Bordeaux Population Health Research Center, UMR 1219, University of Bordeaux, Bordeaux, France.
Acta ophthalmologica
|February 12, 2024
概括
一个新的深度学习模型,DeepAlienorNet,从眼睛图像中准确地检测出与年龄相关的黄斑变性 (AMD) 迹象. 这种人工智能工具有助于精确的AMD严重程度评分和管理,提供高可解释性.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 与年龄相关的黄斑变性 (AMD) 是老年人视力丧失的主要原因.
- 通过彩色底部摄影 (CFP) 精确检测和分类AMD临床症状对于及时管理至关重要.
- 自动化CFP的分析可以提高AMD评估的效率和一致性.
研究的目的:
- 开发和验证一个深度学习 (DL) 模型,DeepAlienorNet,用于从CFP中自动提取AMD临床症状.
- 评估DeepAlienorNet在识别特定的AMD特征方面的表现,包括Drusen,超色素,低色素和高级AMD.
- 评估模型的可解释性和AMD管理中的临床整合潜力.
主要方法:
- 使用ALIENOR研究队列 (法国77岁以上的个人) 的数据开发了一个多标签DL模型.
- 该模型被训练来检测七种临床症状:大软,中等软,大面积的软,中央软,超色素,低色素和高级AMD.
- 使用交叉验证对专家人类解释作为基本真理进行了绩效评估.
主要成果:
- 在七个临床征兆中,DeepAlienorNet的整体灵敏度为0.77,特异性为0.83,AUROC为0.87.
- 该模型在检测先进的AMD和大面积柔软的Drusen方面表现出强的表现.
- 生成的热图突出显示了对解释相关的图像区域,提高了模型的透明度.
结论:
- DeepAlienorNet显示,从CFP中对AMD临床症状的自动化,可解释的识别显著有前途.
- 该模型的可解释性解决了伦理问题,并减少了AI中常见的"黑子"效应.
- 可以集成DeepAlienorNet以自动化AMD进展得分,帮助精确的严重程度评估和量身定制的患者管理.
