使用RETeval便携式设备从健康对象中对眼患者进行计算机辅助的歧视
Marsida Bekollari1, Maria Dettoraki2, Valentina Stavrou2
1Department of Biomedical Engineering, University of West Attica, Ag. Spyridonos, 12243 Athens, Greece.
Diagnostics (Basel, Switzerland)
|February 24, 2024
概括
这项研究展示了一种新的机器学习方法来诊断眼. 在对青光眼患者进行分类时,RETeval设备的准确性高于光学连贯性断层扫描 (OCT).
科学领域:
- 眼科医生 眼科 眼科
- 医疗技术 医疗技术 医学技术
- 人工智能的人工智能
背景情况:
- 玻璃眼是一个渐进的视神经疾病,导致视力丧失和失明.
- 准确和早期诊断对于治疗青光眼和预防不可逆转的视力损伤至关重要.
研究的目的:
- 为了研究机器学习算法在分类青光眼患者中的有效性.
- 为了比较RETeval设备的诊断性能与常规光学连贯性断层扫描 (OCT) 用于青光眼的检测.
主要方法:
- 使用贝叶斯式,概率神经网络 (PNN) 和支持矢量机器 (SVM) 分类器,采用了机器学习方法.
- 使用OCT和RETeval便携式设备,从172只眼睛中提取了特征.
- 根据眼睛选择 (右/左) 和性别分析了青光眼的分类.
主要成果:
- 与海外国家和地区系统相比,RETeval设备在所有指标上显示了显著更高的分类准确性.
- 在整体参与者 (14.7%),眼睛选择 (13.4%右, 29.3%左) 和性别 (25.6%男性, 22.6%女性) 中,RETeval的精度得到了改善.
- 支持矢量机器 (SVM) 成为三种测试中最有效的分类器.
结论:
- 在基于机器学习的玻璃眼患者分类方面,RETeval设备比OCT提供了更好的诊断优势.
- 这一发现支持了先进的便携式诊断工具与人工智能集成的潜力,以改善青光眼的管理.
