科尔网:通过剩余CNN方法在原始科尔维斯ST数据中进行自主特征学习,用于通过剩余CNN方法诊断角
PeiPei Zhang1, LanTing Yang1, YiCheng Mao1
1School of Ophthalmology and Optometry, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, China.
Computers in biology and medicine
|March 17, 2024
概括
一个新的深度学习模型,CorNet,使用原始的Corvis ST生物力学数据有效地诊断 (KC). 这种人工智能方法超越了现有的参数,为检测这种角膜状况提供了更高的准确性.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 角膜 (KC) 是一种渐进的角膜脱落,需要准确的早期诊断.
- 科尔维斯ST在体内提供角膜生物力学测量,但诊断参数可以改进.
- 当前的诊断方法可能无法充分利用来自角膜变形分析的丰富数据.
研究的目的:
- 评估端到端卷积神经网络 (CNN) 的有效性,称为CorNet,用于诊断KC.
- 确定将原始Corvis ST数据与CNN集成是否可以提高与现有参数相比的KC检测.
- 为了研究原始角膜生物力学数据的诊断实用性.
主要方法:
- 使用了来自1112个正常眼睛和674个KC眼睛的1786个Corvis ST原始数据点 (动态变形期间角膜表面升高) 的数据集.
- 一个端到端的CNN (CorNet) 架构,灵感来自ResNet,在这个数据集上被开发和训练.
- 梯度加权类激活映射 (Grad-CAM) 用于可视化,并使用AUC,灵敏度,特异性和F1得分来评估性能.
主要成果:
- 科尔内特的AUC为0.971,超过了科尔维斯生物力学指数 (CBI) 的AUC为0.947和cCBI的AUC为0.963.
- 在区分KC与正常眼睛方面,CorNet表现出高灵敏度 (92.49%) 和特异性 (91.54%).
- 格拉德-CAM分析表明,加载阶段的角膜变形对于KC诊断比卸载阶段更为关键.
结论:
- 拟议的CorNet模型有效地利用KC检测的原始Corvis ST生物力学数据.
- 科尔尼特显示了与现有的科尔维斯ST参数相比,可比或优越的诊断性能.
- 这种人工智能驱动的方法有望在临床眼科中推进角的诊断.
