通过使用深度学习,用于干眼诊断的自动化膜破裂时间测量
Fatima-Zahra El Barche1,2, Anas-Alexis Benyoussef3,4,5, Mostafa El Habib Daho3,4
1LaTIM UMR 1101, Inserm, Brest, France. elbarche@univ-brest.fr.
Scientific reports
|May 22, 2024
概括
这项研究引入了一种人工智能驱动的方法来自动测量膜分解时间 (TBUT),从而提高干眼疾病的诊断. 与传统方法相比,AI方法显著提高了TBUT评估的可靠性.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确的催膜分解时间 (TBUT) 测量对于诊断干眼疾病 (DED) 至关重要.
- 目前的TBUT评估方法可能是主观的,影响诊断可靠性.
- 需要客观和自动化的工具来增强TBUT测量.
研究的目的:
- 开发和评估一种自动化,人工智能驱动的方法,用于精确的TBUT测量.
- 减少主观性,提高眼科TBUT评估的可靠性.
- 探索人工智能在诊断干眼疾病方面的潜力.
主要方法:
- 开发了一种使用双任务姆网络的多步人工智能方法,用于框架分类 (破裂/不破裂).
- 为了平滑预测,应用了高斯过器,然后进行值以检测分手的开始.
- 该方法在47个灯视频上进行了训练,并在单独的一组20个视频上进行了验证.
主要成果:
- 人工智能模型实现了0.870的曲线下面面积 (AUC),用于框架级分类.
- 在AI衍生和基底真相TBUT值之间观察到强大的皮尔森相关系数 (r = 0.81).
- 提出的方法在分类膜状态和估计TBUT时表现出高精度.
结论:
- 基于人工智能的自动化TBUT测量提供了干眼疾病的可靠和客观的诊断工具.
- 这种方法有可能显著提升眼科诊断方法.
- 该研究强调了人工智能在量化临床应用的生理参数方面的有效性.
