使用扫描激光眼镜镜像与基于自编码器的特征提取功能进行多发性硬化症的歧视

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:

• 在多发性硬化症 (MS) 患者中通过光学连贯断层扫描 (OCT) 观察到内视网膜层的稀薄.
• 机器学习 (ML) 应用于海外国家和地区的数据有助于MS诊断,但对红外扫描激光眼镜检查 (IR-SLO) 对于MS分类的关注较少.
• IR-SLO捕获高分辨率的底部图像,可以与OCT一起使用.

研究的目的:

• 评估IR-SLO成像在分类多发性硬化症 (MS) 的有效性.
• 使用IR-SLO数据,比较各种深度学习和常规ML模型的MS检测性能.
• 研究将特征提取与ML分类器结合用于改善MS诊断的潜力.

主要方法:

• 分析了两个独立的IR-SLO图像 (164 MS,150 HC) 的数据集.
• 根据受试者的数据分割确保没有训练-测试泄漏.
• 使用了卷积神经网络 (CNN),定制的CNN,卷积自编码器 (CAE) 和ML分类器 (SVM,K-NN,RF,MLP).

主要成果:

• 一个定制的CNN实现了85%的准确性,超过了标准模型.
• 对特征提取的CAE和MLP分类器的组合产生了最高的性能:88%的准确性,94%的AUROC和95%的AUPRC.
• 该CAE-MLP模型在将MS与健康对照区分方面表现出强烈的灵敏度 (86%) 和特异性 (91%).

结论:

• 红外SLO成像,特别是用CAE-MLP模型分析时,显示出区分MS和健康眼睛的巨大潜力.
• 这些发现表明IR-SLO作为一种可行的成像模式用于MS检测.
• 建议进行更多的多中心研究,使用各种数据集,以验证IR-SLO在临床实践中的整合.