使用人工智能生成合成光适应电网红图波形,以改善代表性不足人群中视网膜疾病的分类

科学领域:

• 眼科和神经科学 眼科和神经科学
• 医疗保健中的人工智能
• 生物医学信号处理

背景情况:

• 视觉电生理学,包括全场闪电电视网膜图 (ERG),对于评估视网膜和神经功能至关重要.
• 临床ERG数据集往往缺乏足够的参与者在特定的人口统计,限制疾病分类和病例控制研究的力量.
• 合成数据生成提供了一个潜在的解决方案,以增加现有的临床数据集.

研究的目的:

• 为了证明使用人工智能 (AI) 来生成合成电网红图 (ERG) 波形的可行性.
• 通过使用人工智能生成的合成ERG数据升级男性参与者来增强参考数据集.
• 评估合成数据对机器学习分类性能的影响.

主要方法:

• 使用生成对抗网络 (GAN) 来创建合成的ERG信号数据.
• 人工智能生成的合成男性ERG波形被添加到现有的ISCEV参考数据集中.
• 随机森林分类器被用来评估数据增强之前和之后的分类准确性.

主要成果:

• 添加合成男性ERG波形改善了性别分类的平衡精度,从0.72到0.83.
• 这项研究代表了合成ERG波形生成用于增强机器学习分类的首次应用.
• 这些发现表明,人工智能可以有效地增强临床电生理学数据集.

结论:

• 人工智能驱动的合成ERG波形生成是一种改善临床数据集大小和多样性的可行方法.
• 增强的数据集可以在电生理学研究中提高机器学习模型性能.
• 这种技术有望促进眼科医生和神经病学领域的疾病分类和病例控制研究.