混合深度学习模型用于在光学连贯性断层扫描卷中选糖尿病黄斑胀
Antonio Rodríguez-Miguel1, Carolina Arruabarrena2, Germán Allendes2
1Department of Biomedical Sciences, University of Alcalá (IRYCIS), 28871, Madrid, Spain. antonio.rodriguezmig@uah.es.
Scientific reports
|July 31, 2024
概括
使用卷积和循环神经网络 (CNN-RNN) 的计算机视觉模型在现实世界光学连贯断层扫描 (OCT) 扫描中准确地检测出糖尿病黄斑胀 (DME). 这种方法改善了有偏见的数据集,为糖尿病视网膜病变计划的早期查提供了潜力.
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:
- 糖尿病黄斑 (DME) 现有的计算机视觉模型通常依赖于偏见的,选择性的数据集,导致过高估计的性能.
- 分析DME检测完整光学连贯性断层扫描 (OCT) 立方体的现实研究很少.
- 糖尿病视网膜病变 (DR) 查计划需要准确可靠的工具来早期检测DME.
研究的目的:
- 开发和评估一个计算机视觉模型,使用堆叠的卷积和循环神经网络 (CNN-RNN) 来检测糖尿病黄斑 (DME).
- 从现实世界的糖尿病视网膜病变查计划中分析完整的OCT立方体,避免图像选择偏差.
- 在临床环境中评估CNN-RNN模型的诊断准确度,灵敏度和特异性.
主要方法:
- 一项回顾性队列研究包括4408名受试者在4年内获得的5314个OCT立方体.
- 一个CNN-RNN架构,包括22个预训练CNN和一个双向RNN层,被用来分析整个OCT立方体.
- 模型使用视网膜专家建立的基本真相进行训练,然后根据AUROC,灵敏度和特异性进行值调整和选择.
主要成果:
- 三种CNN-RNN模型实现了0.94.9的接收机操作特性曲线 (AUROC) 下的高面积.
- 在不同值中,灵敏度在84.1-90.5%之间,特异性在89.7-93.3%之间.
- 综合模型进一步提高了性能,模型在人口群体和DME等级之间显示出一致的准确性.
结论:
- CNN-RNN模型在现实世界OCT数据中检测DME具有很高的诊断准确性,克服了以前研究的局限性.
- 开发的模型可以识别外叶DME,这在其他研究中经常被遗漏.
- 这种人工智能工具显示出在基于人口的DR计划中作为一线查过器的潜力,识别非可转诊的患者并减少专业护理的负担.
更多相关视频
07:18Evaluation of Capillary and Other Vessel Contribution to Macular Perfusion Density Measured with Optical Coherence Tomography Angiography
Published on: February 18, 2022
1.8K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
