眼部生物标志物:深度学习算法在 fundus 照片中的有用偶然发现
Eve Martin1,2,3,4, Angus G Cook5, Shaun M Frost6,7
1Commonwealth Scientific and Industrial Research Organisation (CSIRO), Kensington, WA, Australia. eve.martin@uwa.edu.au.
Eye (London, England)
|May 11, 2024
概括
训练用于糖尿病视网膜病变查的深度学习模型可以在高血压患者中识别偶然的眼部生物标志物. 这些模型的错误阳性可能会揭示其他临床上显著的视网膜疾病.
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:
- 人工智能 (AI) 有助于眼睛图像分析,但缺乏自主全谱选能力.
- 假阳性AI结果可能包含来自模两可的信号或并发症的有价值的查信息.
- 这项研究研究了使用糖尿病深度学习算法在高血压成年人中的偶然生物标志物检测.
研究的目的:
- 探索深度学习算法的潜力,最初是为糖尿病视网膜病变查而设计的,用于检测临床上有用的偶然眼部生物标志物.
- 评估糖尿病深度学习模型虚假阳性结果在高血压队列中识别其他视网膜疾病的有用性.
主要方法:
- 分析了433名耐治疗高血压患者 (澳大利亚珀斯,2016-2022) 的 fundus 照片.
- 三个深度学习算法选了糖尿病视网膜病变的图像.
- 视网膜专家评估了非糖尿病参与者的虚假阳性结果,用于偶然的生物标志物.
主要成果:
- 在29名非糖尿病参与者中,有28名 (97%) 错误地被分类为糖尿病视网膜病变,显示出临床上有用的视网膜生物标志物.
- 对较少疾病进行训练的AI模型捕获了更多的偶然病理.
- 在高血压视网膜病变的严重程度和错误分类的糖尿病视网膜病变之间观察到正相关性.
结论:
- 糖尿病深度学习模型显示出对高血压和其他视网膜生物标志物的响应能力.
- 对较少疾病进行训练的人工智能模型捕捉到更多的偶然病理,支持自我监督学习进行全面查.
- 人工智能查模型的假阳性输出需要进一步探索,以便在不同患者群体中立即临床应用.
