在首次诊所检查时确定形的进展:采用图像和数值临床数据融合的深度学习方法

科学领域:

• 眼科医生 眼科 眼科
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 形的进展评估通常需要多次临床访问.
• 早期识别渐进式角膜对于及时进行角膜交叉连接治疗至关重要.
• 在初次诊所预测进展可以简化患者管理.

研究的目的:

• 开发和评估一个神经网络来预测角质的进展.
• 利用初次诊断断层扫描图像和临床风险因素进行预测.
• 为了能够更早地识别需要角膜交叉链接的患者.

主要方法:

• 一个神经网络被训练在570个角眼睛的数据.
• 使用了Scheimpflug成像 (后部海拔地图) 和数值风险因素.
• 进展被定义为最的角质量增加1次.

主要成果:

• 结合的MobileNet和多层感知子模型在预测进展方面实现了0.83准确度.
• 仅仅数值风险因素就产生了0.82的准确性,而仅仅图像就达到0.77.
• 年龄和后部高度是确定最有影响力的危险因素.

结论:

• 开发出来的神经网络在预测初次诊断时角质结核病的进展方面表现强.
• 这种人工智能工具可以显著帮助临床医生识别有风险的角患者,以便及时进行干预.