基于深度学习的拓临床洞察力 基于深度学习的地理缩进展预测
Julia Cluceru1, Neha Anegondi1, Simon S Gao1
1Genentech, Inc., South San Francisco, CA, USA.
该研究发现, fundus自光 (FAF) 图像的"边缘"区域对于预测地理缩 (GA) 增长的深度学习 (DL) 算法至关重要. 纹理上下文,而不仅仅是强度,是准确的GA进展预测的关键.
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:
- 地理缩 (GA) 是导致视力丧失的主要原因.
- 预测GA生长率对于临床管理至关重要.
- 底部自光成像 (FAF) 提供了与GA进展相关的地形信息.
研究的目的:
- 确定FAF特定的地形成像特征对深度学习 (DL) 算法的性能在预测GA增长率方面的贡献.
- 为了确定哪些FAF图像区域对基于DL的GA进展预测最有信息.
主要方法:
- 来自GA临床试验的FAF图像的回顾性分析.
- 使用完整的FAF图像进行DL算法的开发和基准训练.
- 删除实验系统地从特定的FAF区域 (损伤,边缘,背景) 中删除或混合像素.
- 使用平方皮尔森相关性 (r2) 评估算法性能,以与基准数据比较已删除的数据集.
主要成果:
- 与Lesion和背景地区相比,Rim地区对预测绩效 (r2) 的影响最大.
- 混像素或使用任何区域的面具导致了相似的性能,突出了纹理背景对简单强度的重要性.
- 通过凸船体数据集评估的损伤大小也为预测准确性做出了贡献.
结论:
- 地形FAF成像特征,特别是边缘区域,对GL增长率预测DL算法的准确性做出了重大贡献.
- 在FAF图像中的纹理信息比预测GA进展的孤立强度值更为关键.
- 这些发现为开发更有效的AI驱动的GA管理工具提供了有价值的临床见解.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
09:06Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease
Published on: June 9, 2018
相关概念视频
Methods of Obtaining Topography
Field Application of Global Positioning System
Levels of Use of a GIS
Selected Data About Geographic Locations
Manipulation and Analysis
Applications of GIS: Disaster Management and Emergency Response
