使用机器学习对乳头水的变化进行分类和量化
Joseph Branco1, Jui-Kai Wang2,3,4, Tobias Elze5
1New York Medical College, Valhalla, New York, USA.
BMJ neurology open
|July 2, 2024
概括
机器学习准确地从 fundus 照片中量化了 papilledema 严重程度. 这种方法检测到在患有异常性内高血压的患者中,乙醇胺 (ACZ) 有显著的治疗效果.
科学领域:
- 眼科医生 眼科 眼科
- 神经学 神经学
- 人工智能的人工智能
背景情况:
- 目前使用主观的弗里森尺度来分级乳头,这是增加内压力的迹象.
- 机器学习 (ML) 显示了使用 fundus 摄影客观评估 papilledema 的潜力.
- 这项研究研究了ML在量化皮囊和在异常性内高血压 (IIH) 中治疗效果的能力.
研究的目的:
- 开发和验证一个ML模型,通过 fundus图像对 papilledema 严重程度进行分级.
- 评估ML是否能检测到IIH患者对乳腺瘤的治疗效应.
- 为了将基于ML的分级与已建立的弗里森尺度进行比较.
主要方法:
- 训练了一个卷积神经网络,将Frisén等级分配给来自IIHTT的 fundus图像.
- 在158名参与者的2979张图像上使用了五重交叉验证方法.
- 基于ML的等级与专家等级进行了比较,并分析了治疗组差异.
主要成果:
- 通过ML确定的成绩与专家成绩有很强的相关性 (r=0.76).
- ML模型实现了0.54.4的平均绝对误差.
- 在6个月后,乙醇胺 (ACZ) 组与安慰剂组 (2.3) 相比,显示ML级 papilledema (1.7) 显着较低.
结论:
- 监督的ML有效地量化了从 fundus 照片中的 papilledema 程度和时间变化.
- ML提供了 papilledema 的连续尺度,结合了 Frisén 尺度的特征.
- 这项技术可以帮助神经科医生监测IIH的干预措施.
