通过深度学习和广泛的视网膜生物标志物提高中风风险和预后时间框架评估

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:

• 在全球范围内,中风是导致死亡和残疾的主要原因.
• 由于可变的生物标志物,目前的中风风险评估方法缺乏一致性,导致无法预测的评估.
• 视网膜生物标志物为改善中风风险预测提供了潜在的途径.

研究的目的:

• 开发一种自动深度学习系统,用于预测缺血性和出血性中风风险.
• 用视网膜生物标志物估计中风发生的时间框架.
• 用现有基准来评估系统的性能.

主要方法:

• 利用深度学习方法分析视网膜生物标志物的 fundus 图像.
• 开发了一种用于预测中风风险和时间估计的自动系统.
• 在英国生物银行和DRSSW数据集上验证了系统.

主要成果:

• 在英国生物银行数据集上,在接收器运行特征曲线 (AUROC) 下的面积达到0.83 (95% CI:0.79-0.85).
• 在DRSSW数据集上获得了0.93的AUROC (95%CI:0.9-0.95).
• 与既定基准相比,表现出优越的性能,突出显示了视网膜生物标志物的预测能力.

结论:

• 开发的深度学习系统有效地使用视网膜生物标志物预测中风风险.
• 视网膜生物标志物是评估中风风险和心血管疾病的强有力的指标.
• 该系统的多功能性扩展到预测各种心血管疾病.