SANS-CNN:用于太空飞行的自动机器学习技术与宇航员成像数据相关的神经眼综合征
Sharif Amit Kamran1, Khondker Fariha Hossain1, Joshua Ong2
1Human-Machine Perception Laboratory, Department of Computer Science and Engineering, University of Nevada, Reno, Reno, NV, US.
NPJ microgravity
|March 29, 2024
概括
太空飞行相关的神经眼综合征 (SANS) 检测对于长期太空任务至关重要. 一个新的AI模型,SANS-CNN,可以从眼睛扫描中准确识别SANS,帮助在有限的环境中早期诊断.
科学领域:
- 眼科医生 眼科 眼科
- 航空航天医学 航空航天医学
- 人工智能的人工智能
背景情况:
- 太空飞行相关的神经眼综合征 (SANS) 在太空任务期间给宇航员带来了重大的生理挑战.
- 早期检测和缓解策略对于长期太空飞行和未来行星探索的成功至关重要.
- 太空环境的独特限制需要自动化诊断工具.
研究的目的:
- 开发和验证一种机器学习模型,用于使用光学连贯断层扫描 (OCT) 图像进行SANS的自动,早期检测和预后.
- 创建一个轻量级的卷积神经网络 (CNN),能够在资源有限的环境中分析宇航员SANS OCT图像.
主要方法:
- 开发了一个称为SANS-CNN的卷积神经网络 (CNN),使用了EfficientNet编码器.
- 该模型在6303个宇航员SANS OCT B扫描图像上进行了训练和验证,另外还有945张图像用于测试.
- 模型性能与NASA标记的SANS图像进行了评估,并与最先进的架构 (ResNet50-v2,MobileNet-v2) 进行了比较,其中包含GRAD-CAM以实现可解释性.
主要成果:
- 在测试数据集上,SANS-CNN实现了84.2%的准确性,85.6%的特异性和82.8%的灵敏性.
- 与ResNet50-v2 (21.4%更高的准确度) 和MobileNet-v2 (13.1%更高的准确度) 相比,该模型表现出更高的性能.
- 激活地图可视化证实了模型识别关键SANS相关特征的能力.
结论:
- 在太空飞行中,SANS-CNN提供了一种可靠和有效的方法,用于早期检测类似于SANS的条件.
- 这种人工智能工具非常适合在地球轨道之外的任务中遇到的临床和计算限制.
- 开发的模型支持宇航员健康监测,并提高深空探索的安全性.
