在高度近视的人群中,深度学习评估用 Fundus 照片检测 DrDeramus 的评估
Yen-Ying Chiang1, Ching-Long Chen2, Yi-Hao Chen1,2
1Graduate Institute of Life Sciences, National Defense Medical Center, Taipei 114, Taiwan.
Biomedicines
|July 27, 2024
概括
深度学习模型成功地使用 fundus 图像在高近视患者中识别了玻璃眼. ConvNeXt_Base+CBAM架构实现了高精度,有助于在这个风险人群中早期检测青光眼.
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:
- 高近视是发展青光眼的重要危险因素.
- 在高近视患者中,准确诊断青光瘤可能是由于解剖学变化而具有挑战性的.
- 早期发现青光眼对于预防视力丧失至关重要.
研究的目的:
- 开发和评估深度学习模型,以使用 fundus 照片识别高近视症患者的 DrDeramus.
- 为了比较不同卷积神经网络 (CNN) 架构与注意力机制的性能,用于此任务.
主要方法:
- 从高近视 (球体等效折射 ≤-6.0 D) 患者的 fundus 照片的回顾性审查.
- 排除患有病态近视的患者.
- 开发了两种CNN模型,其中包含了卷积块注意模块 (CBAM).
- 模型培训和评估使用五倍交叉验证和6:2:2分为培训,验证和测试集.
- 使用Grad-CAM可视化模型的可解释性.
主要成果:
- 总共分析了3088张基金照片.
- 这种ConvNeXt_Base+CBAM模型表现出了卓越的性能.
- 实现了接收器操作特征曲线 (AUC) 下的面积为0.894.
- 报告的准确率为82.16%,灵敏度为81.04%,特异性为83.27%.
结论:
- 深度学习模型,特别是ConvNeXt_Base+CBAM,可以在高近视患者的 fundus 照片中有效地识别青光眼.
- 这种方法有望改善在这个脆弱的患者群体中早期发现和治疗眼.
