一个罗语ResNeXt网络用于从 fundus图像预测T2DM患者的动脉内密厚度

科学领域:

• 眼科医生 眼科 眼科
• 心脏病学 心脏病学
• 人工智能的人工智能

背景情况:

• 2型糖尿病 (T2DM) 与心血管风险增加有关.
• Carotid Intima-Media 厚度 (CIMT) 是亚临床动脉样硬化的一个标志物.
• 视网膜底部图像为微血管变化提供了一个非侵入性的窗口.

研究的目的:

• 使用 fundus 图像开发和验证人工智能诊断模型.
• 在T2DM患者中预测CIMT.
• 探索视网膜微血管和CIMT之间的相关性.

主要方法:

• 分析了1236名T2DM患者的 fundus图像和CIMT数据.
• 训练和比较了八种深度学习模型 (ResNet,ResNeXt).
• 西安人ResNeXt单式模型表现出卓越的性能,使用Grad-CAM可视化.

主要成果:

• 西安人ResNeXt模型实现了88.0%的召回率和90.88%的AUC.
• 西安网络显示性能比标准网络更好.
• 格拉德-CAM可视化了与CIMT状态相关的独特模式.

结论:

• 一个罗人ResNeXt AI模型可以从T2DM患者的 fundus图像中预测CIMT.
• 这证实了底部微血管变化与CIMT之间的相关性.
• 基于人工智能的视网膜分析有可能用于T2DM心血管风险评估.