基于使用深度学习的 fundus fluorescein血管图像的视网膜静脉封闭的自动解释:一项回顾性多中心研究
Shenyu Huang1, Kai Jin1, Zhiyuan Gao1
1Eye Center, The Second Affiliated Hospital, School of Medicine, Zhejiang University, Zhejiang Provincial Key Laboratory of Ophthalmology, Zhejiang Provincial Clinical Research Center for Eye Diseases, Zhejiang Provincial Engineering Institute on Eye Diseases, Hangzhou, Zhejiang, China.
Heliyon
|July 19, 2024
概括
一个新的深度学习系统使用 fundus光素血管学 (FFA) 图像准确诊断视网膜静脉封闭 (RVO). 这种人工智能工具改善了眼科医生的解释,帮助在服务不足的地区进行RVO诊断.
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:
- 眼底光素血管造影 (FFA) 是诊断视网膜静脉封闭 (RVO) 的标准.
- 目前对FFA图像的解释是耗时的,眼科医生之间存在差异.
- 从FFA图像中自动进行RVO诊断可以提高效率和一致性.
研究的目的:
- 开发和评估基于深度学习的系统,用于使用FFA图像诊断和分类RVO.
- 为了应对手动解释的挑战,包括时间限制和观察者之间的变化.
- 创建一个用于RVO诊断的自动化工具,可以帮助眼科医生.
主要方法:
- 在4028张FFA图像上训练了三个卷积神经网络 (CNN) 模型 (ResNet50,VGG19,InceptionV3).
- 模型被训练为图像质量,眼睛,位置,相位,病变,诊断和黄斑干扰的多标签分类.
- 使用准确度,精度,回忆,F1得分,AUC,混矩阵和外部验证来评估性能.
主要成果:
- 与ResNet50和VGG19.2相比,InceptionV3模型表现出优异的性能.
- 在基本和RVO相关标签上,InceptionV3实现了高精度 (77.63%-96.45%).
- 在对比分析中,人工智能模型的准确性比眼科医生提高了19%.
结论:
- 成功开发了一种深度学习模型,用于用于RVO诊断的FFA图像的自动化多标签和多分类.
- 开发的系统为RVO诊断提供了一个潜在的新工具,在资源有限的环境中尤其有利.
- 这种人工智能驱动的方法可以提高RVO诊断的准确性和效率.
