使用机器学习对生理学,青光眼和青光眼疑似光盘进行自动分类
Raphael Diener1, Alexander W Renz2, Florian Eckhard3
1Department of Ophthalmology, University of Muenster Medical Center, 48149 Muenster, Germany.
Diagnostics (Basel, Switzerland)
|June 19, 2024
概括
机器学习算法 (MLA) 有效地对光盘进行分类,有助于对青光眼的诊断. 结合图像和元数据显著提高了分类准确性,即使数据有限,支持眼科医生.
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:
- 青光眼的诊断需要精确分析光盘图像和患者数据.
- 数据集的临床注释可能耗时且限制数据量,可能会影响算法性能.
- 开发机器学习算法 (MLA) 可以帮助眼科医生诊断青光眼.
研究的目的:
- 评估一个MLA用于自动分类生理光学盘 (PODs),青光眼光学盘 (GODs) 和青光眼疑似光学盘 (GSODs).
- 为了评估MLA的表现,单独使用彩色基底照片以及与元数据结合使用.
- 为了确定MLA是否可以在有限的数据中实现高诊断准确度.
主要方法:
- 利用了来自1168只眼睛 (584名患者) 的彩色基底照片和14种类型的元数据.
- 在两个步骤中执行机器学习 (ML): 1) 仅图像, 2) 图像和元数据.
- 使用曲线下的面积 (AUC) 对GOD与GSOD和GOD与POD的评估分类性能.
主要成果:
- 仅使用图像进行初始MLA分类,AUC达到0.84 (GOD与GSOD) 和0.88 (GOD与POD).
- 将图像与元数据结合起来显著提高了性能,产生了0.92 (GOD与GSOD) 和0.99 (GOD与POD) 的AUC.
- 尽管数据集相对较小,但仍取得了优异的分类性能.
结论:
- 一个MLA可以有效地支持眼科医生诊断青光眼.
- 整合多式联网数据 (图像和元数据) 增强了MLA诊断能力.
- MLA显示了准确的玻璃眼病检测的承诺,即使有有限的注释数据.
