机器学习允许快速开发用于从小图像数据集检测视网膜损伤的自动化系统

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 生物医学成像技术 生物医学成像技术

背景情况:

• 新兴的眼部生物标志物,如视网膜缺血周血管病变 (RIPL) 和子视网膜状体沉积物 (SDD),与心血管疾病有关.
• 识别这些生物标志物的传统方法可能耗时,需要大量的数据集.
• 机器学习为使用有限的成像数据快速开发AI提供了潜在的解决方案.

研究的目的:

• 调查机器学习对RIPL和SDD自动识别的有效性.
• 评估在用于生物标志物检测的小型光连贯断层扫描 (OCT) 数据集上训练的AI系统的性能.

主要方法:

• 利用机器教学,机器学习的一个子领域,开发用于生物标记物识别的自动化系统.
• 雇佣了RootPainter,这是一个开源的交互式机器学习软件,用于同时注释和培训.
• 在四个SD-OCTB扫描RIPL和SDD的小数据集上训练和测试了两个不同的AI系统.

主要成果:

• 在B扫描水平上,SDD检测系统实现了92%的准确性,100%的灵敏性和88%的特异性.
• 在B扫描水平上,RIPL检测系统的准确性为90%,灵敏度为60%,特异性为93%.
• 两个系统都在6小时内接受了训练并进行了注释.

结论:

• 机器学习是人工智能系统在眼科成像中的快速发展的一个有希望的方法.
• 从小型数据集中自动识别新型眼部生物标志物是可行的,使用机器学习.
• 这项技术有可能通过视网膜成像来早期检测和监测心血管疾病.