将无代码深度学习模型与专家设计的模型进行比较,用于从光学连贯性断层扫描中检测视网膜疾病.
Samir Touma1,2,3, Badr Ait Hammou1,2, Fares Antaki1,2,3,4
1Department of Ophthalmology, Université de Montréal, Montreal, Québec, Canada.
International journal of retina and vitreous
|April 26, 2024
概括
由眼科医生开发的无代码深度学习 (CFDL) 模型在通过OCT扫描检测视网膜疾病时,实现了与专家设计的AI模型相提并论的性能. 这表明CFDLDL.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 无代码深度学习 (CFDL) 为人工智能 (AI) 提供了一种新的方法.
- 这项研究评估了临床医生构建的CFDL模型与专家开发的AI模型用于视网膜病理检测.
- 光学连贯断层扫描 (OCT) 视频和图像用于分析.
研究的目的:
- 将由眼科医生没有编码经验而创建的CFDL模型的诊断性能与定制AI模型进行比较.
- 评估CFDL在从OCT数据分类视网膜病理方面的准确性.
主要方法:
- 使用了1173个OCT黄斑视频和焦点图像的数据集.
- 模型是由眼科住院医生 (CFDL) 和人工智能专家 (定制) 独立开发的.
- 一个多类模型被设计用于识别五种视网膜状况:正常,黄斑孔,视网膜膜,潮湿的与年龄有关的黄斑变性和糖尿病黄斑.
主要成果:
- CFDL模型显示出优异的区分性能,一些指标超过了视频分析的定制模型.
- 以叶为中心的CFDL模型表现优于基于视频的模型,并与最好的定制模型的准确性相匹配.
- 具体的性能指标包括精度回忆曲线下的面积 (CFDL视频为0.984而定制视频为0.901),精度 (94.1%与94.2%),灵敏度 (94.1%与94.2%),精度 (94.1%与96.7%).
结论:
- 临床医生开发的CFDL模型的性能与专家设计的定制模型相提并论,用于视网膜病理的分类.
- 在医学中,CFDL对人工智能的民主化充满了希望,使得它能够得到更广泛的临床采用.
- 解决CFDL的局限性对于其有效地融入医疗保健环境至关重要.
