开发一种深度学习模型,使用视网膜底部摄影来区分光盘缩的原因
Dong Kyu Lee1, Young Jo Choi2, Seung Jae Lee1
1Department of Ophthalmology, Institute of Vision Research, Severance Eye Hospital, Yonsei University College of Medicine, Yonsei-ro 50-1, Seodaemun-gu, Seoul, 03722, Republic of Korea.
Scientific reports
|March 1, 2024
概括
一个新的深度学习模型准确地诊断光学缩的原因,如Leber遗传性光神经病变 (LHON) 和光神经炎 (ON),仅使用 fundus 照片,即使使用小数据集. 这有助于差异诊断,并减少了对广泛测试的需求.
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:
- 视力缩的诊断是复杂的,通常需要昂贵和耗时的测试.
- 勒伯遗传性视神经病 (LHON) 和视神经炎 (ON) 是视力缩的重要原因,但很少见,限制了大型成像数据集.
- 目前用于视力缩的诊断方法在速度和成本方面存在挑战.
研究的目的:
- 开发一种深度学习 (DL) 模型,使用 fundus 摄影来区分光盘缩的原因.
- 从视网膜图像创建一个可解释的DL系统来诊断视力缩.
- 为了使用有限的成像数据来准确诊断光学缩.
主要方法:
- 从正常受试者,LHON患者和ON患者的 fundus 照片的回顾性分析.
- 在训练和测试数据集的分割上训练ResNet-18深度学习模型.
- 使用梯度加权类激活图 (Grad-CAM) 进行模型解释和识别关键图像区域.
主要成果:
- DL模型在三类分类 (正常,LHON,ON) 中实现了高精度,总精度为0.93.
- 接收器运行特征曲线下的面积 (AUROC) 值为正常的1.0,LHON的0.988和ON的0.990.
- 该模型即使仅使用了10%的关键图像像素,也保持了性能,证明了稳定性.
结论:
- 深度学习模型可以有效地区分光学缩的原因与 fundus 摄影,即使使用小数据集.
- 开发的DL系统显示了高的诊断准确性和可解释性,用于光学缩.
- 这种方法提供了一个潜在的解决方案,用于更快,更容易获得的光学缩的差分诊断.
