基于卷积神经网络的轴长度预测,使用彩色底部摄影
Che-Ning Yang1, Wei-Li Chen1,2, Hsu-Hang Yeh2
1School of Medicine, National Taiwan University, Taipei, Taiwan.
Translational vision science & technology
|May 29, 2024
概括
卷积神经网络 (CNN) 模型使用彩色底部摄影 (CFP) 和年龄准确预测轴长 (AL). 这种深度学习方法增强了AL评估,并揭示了用于预测的关键基金结构.
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:
- 精确的轴长度 (AL) 测量对于诊断和管理各种眼睛疾病至关重要.
- 传统的AL评估方法可能是侵入性的或需要专门的设备.
- 开发非侵入性,人工智能驱动的方法来预测AL具有显著的临床潜力.
研究的目的:
- 开发和评估基于卷积神经网络 (CNN) 的模型,用于使用彩色底部摄影 (CFP) 预测轴长 (AL).
- 探索临床因素如年龄和性别对AL预测准确性的贡献.
- 通过可解释的AI技术,识别CFP图像中的关键结构特征,这些图像表明AL.
主要方法:
- 使用了来自467名患有ALS从19.91到32.59毫米的参与者的1105张 fundus图像的数据集.
- CNN模型使用各种输入组合进行训练:单独CFP,单独年龄和性别,以及CFP与年龄和/或性别相结合.
- 综合梯度被用来生成热图,用于解释模型预测和识别重要的图像区域.
主要成果:
- 结合年龄,性别和CFP的CNN模型实现了0.771 ± 0.128毫米的最低平均绝对误差 (MAE),显著超过仅使用年龄/性别或单独使用CFP的模型.
- 包括年龄与CFP一起,预测准确度提高了5.59% (P=0.043),而添加性别并没有显著改善.
- 热图分析突出显示光盘和周囊区域是AL预测的关键区域.
结论:
- 使用CFP进行基于CNN的AL预测是一种可行且准确的方法,特别是当与患者年龄相加时.
- 在CFP图像中,光盘和周囊区域含有用于AL估计的有价值的结构信息.
- 这种人工智能驱动的方法可能有助于对AL的评估,并加深对与AL相关的 fundus形态特征的理解.
