一种混合的深度学习对周边玻璃眼的分类,使用周边神经纤维层反射率和其他来自三个解剖学区域的OCT参数
Ou Tan1, David S Greenfield2, Brian A Francis3
1Casey Eye Institute, Oregon Health & Science University.
ArXiv
|June 17, 2024
概括
一个新的混合深度学习模型通过结合光学连贯性断层扫描 (OCT) 参数,包括神经纤维层 (NFL) 反射率,显著改善了眼的诊断. 这种人工智能方法为玻璃眼查提供了一个实用的工具.
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:
- 青光眼的诊断依赖于各种眼睛的参数.
- 整合多个成像数据可以提高诊断准确度.
研究的目的:
- 评估一种混合深度学习模型,用于对玻璃眼的诊断.
- 评估神经纤维层 (NFL) 反射对诊断性能的影响.
主要方法:
- 一项前性观察性研究包括106名正常受试者和164名玻璃眼患者.
- 谱域光学连贯性断层扫描 (OCT) 获得了NFL反射率和厚度图,光学头部分析,以及质细胞复合体厚度.
- 开发了一种混合深度学习模型 (完全连接网络和卷积神经网络),并与NFL反射率数据进行比较.
主要成果:
- 采用NFL反射率的混合深度学习模型在99%的特异性下实现了90.9%的灵敏度,接收器操作特征曲线 (AROC) 下的面积为0.979.
- 该模型的性能明显优于逻辑回归模型 (p < 0.001).
- 精度很高,整体精度为0.948和1.000的特异性.
结论:
- 混合深度学习模型显著提高了青光眼的诊断准确性.
- 该模型整合了NFL反射率,NFL厚度,质细胞复合体厚度和视神经头部参数,显示了对玻璃眼查的前景.
