没有编码经验的医疗保健专业人员用于基底图像分类的自动机器学习模型
Lucas Zago Ribeiro1, Luis Filipe Nakayama2,3, Fernando Korn Malerbi2
1Department of Ophthalmology and Visual Sciences, Federal University of São Paulo, São Paulo, SP, Brazil. lucaszagoribeiro@gmail.com.
Scientific reports
|May 6, 2024
概括
无代码深度学习 (CFDL) 平台在眼科中显示可行性,用于从 fundus 图像中预测结果. 谷歌Vertex的表现优于亚马逊Rekognition,在糖尿病视网膜病变和黄斑瘤预测方面表现出高准确度.
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:
- 深度学习模型越来越多地用于医学图像分析.
- 无代码深度学习 (CFDL) 平台为非程序员提供了可访问性.
- 评估CFDL在眼科中的可行性对于更广泛的采用至关重要.
研究的目的:
- 评估CFDL平台的可行性,用于从基金图像中预测二进制结果.
- 为了比较谷歌 Vertex 和亚马逊 Rekognition CFDL 平台的性能.
- 在不同的眼科数据集上评估模型性能.
主要方法:
- 使用了梅西多-2和BRSET底部图像数据集.
- 使用谷歌 Vertex 和亚马逊 Rekognition CFDL 平台开发了深度学习模型.
- 通过使用F1分数,AUC,精度和没有图像预处理的回忆来评估模型.
主要成果:
- 对于糖尿病视网膜病变和黄斑瘤,CFDL模型实现了高性能 (AUC > 0.9).
- 谷歌Vertex在亚马逊Rekognition上表现出优越的性能.
- 在BRSET数据集中,使用Google Vertex获得了最高的准确性 (AUC 0.994).
结论:
- 在眼科中,CFDL平台可用于从眼底图像预测二进制结果.
- 在特定任务中实现了高精度,展示了CFDL的潜力.
- CFDL平台为眼科医生提供了进入机器学习的可访问入口点.
