斯洛网 (SLO-Net):通过使用红外反射扫描激光眼镜扫描图像,超越光学连贯断层扫描,改善多发性硬化症诊断

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 机器学习在使用光学连贯断层扫描 (OCT) 来分类多发性硬化症 (MS) 方面表现有前途.
• 红外反射扫描激光眼镜扫描 (IR-SLO) 提供高分辨率的 fundus 图像,经常补充 OCT 数据.
• 没有先前的研究探索了IR-SLO图像用于使用机器学习自动化MS诊断.

研究的目的:

• 研究机器学习模型的有效性,使用IR-SLO图像和OCT数据进行自动化多发性硬化症 (MS) 诊断.
• 开发和评估一个双模诊断模型,整合IR-SLO和OCT数据.

主要方法:

• 收集了32名多发性硬化患者和70名健康个体的IR-SLO图像和OCT数据.
• 卷积神经网络 (CNN),包括VGG-16,VGG-19,ResNet-50,ResNet-101和自定义架构,在IR-SLO图像和OCT厚度图上进行了单独的训练.
• 通过整合每个模式的最高性能模型来创建双式模型,使用主体数据分割和引导来进行可靠的评估.

主要成果:

• 双模模型在内部测试数据集上实现了高性能:92.40%的准确性,95.43%的灵敏性,92.82%的特异性,96.99%的AUROC和97.27%的AUPRC.
• 外部验证证明了该模型的概括能力,准确度为85.43%,灵敏度为97.33%,特异性为84.6%,AUROC为99.67%,AUPRC为99.65%.
• 与单个模式相比,OCT和IR-SLO的组合显著改善了诊断性能.

结论:

• 将IR-SLO图像与OCT数据集成,可以提高多发性硬化症 (MS) 自动诊断的性能.
• 在MS检测中,IR-SLO与OCT一起作为一种有价值的补充工具.
• 开发的双模式模型显示了将其整合到MS诊断的常规临床实践中的潜力,等待在更大,更多样化的数据集上进行验证.