自动机器学习与专家设计的模型在眼部毒素菌:检测和损伤定位使用 fundus 图像
Daniel Milad1,2,3, Fares Antaki1,2,3,4, Allison Bernstein1,2,3
1Department of Ophthalmology, Université de Montréal, Montreal, Québec, Canada.
Ocular immunology and inflammation
|February 27, 2024
概括
自动机器学习 (AutoML) 使临床医生能够创建深度学习 (DL) 模型来检测眼部毒素菌 (OT) 的性能与专家模型相提并论. 这使得非编码人员能够参与临床AI开发.
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:
- 自动机器学习 (AutoML) 为缺乏编码专业知识的临床医生民主化了深度学习 (DL) 模型的创建.
- 在眼底图像中检测和定位眼球毒素菌 (OT) 对于及时诊断和治疗至关重要.
研究的目的:
- 评估AutoML在 fundus图像中检测和定位OT病变方面的性能.
- 将AutoML生成的模型与专家设计的OT检测模型进行比较.
主要方法:
- 没有编码经验的眼科学员使用AutoML开发DL模型.
- 创建了一个二进制分类模型,以区分OT与正常 fundus 图像.
- 开发了一个物体检测模型,用于视觉识别和定位OT病变.
主要成果:
- 自动ML二进制模型实现了0.945的精度回调曲线下的面积 (AuPRC),具有100%的灵敏度和93.5%的准确性.
- 自动ML对象检测模型显示AuPRC为0.600,精度为93.3%,回忆率为56%.
- 外部验证显示,在标记正常和OT fundus图像时,准确度为100%,可获得高可信度得分.
结论:
- 没有编码经验的临床医生开发的AutoML模型的性能与专家设计的模型相比或优于它们.
- 自动ML促进DL模型设计用于识别OT病变,使得更广泛的临床应用.
