利用纵向医学成像的力量,以利用基于变压器的序列建模来预测眼病的预后
Gregory Holste1,2, Mingquan Lin1,3, Ruiwen Zhou4
1Department of Population Health Sciences, Weill Cornell Medicine, New York, NY, USA.
NPJ digital medicine
|August 16, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用顺序医疗图像预测眼睛疾病的进展. 长度变压器生存分析 (LTSA) 改善了与年龄相关的黄斑变性和青光眼等疾病的预测.
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:
- 使用深度学习的自动诊断在眼科中显示出前景.
- 当前的方法往往忽略了纵向数据,这对于渐进的眼睛疾病至关重要.
- 追踪疾病进展和预测未来的风险对于与年龄相关的黄斑变性 (AMD) 和初级开角玻璃眼 (POAG) 等疾病的治疗计划至关重要.
研究的目的:
- 开发一种能够从纵向医学成像进行动态疾病预后的深度学习模型.
- 用不规则时间间隔拍摄的基底摄影图像序列来建模疾病发病的时间.
主要方法:
- 介绍生存分析的纵向变压器 (LTSA) 模型.
- 利用与年龄相关的眼病研究 (AREDS) 和眼睛高血压治疗研究 (OHTS) 的纵向 fundus 摄影数据.
- 将LTSA性能与疾病预后的单图像基线进行比较.
主要成果:
- 在19/20比较中,LTSA显著优于单图片基线,用于晚年与黄斑变性相关的晚年黄斑变性预后.
- 在18/20比较中,LTSA取得了优异的结果,用于初级开角绿内障预后.
- 时间注意力分析表明,虽然最近的图像是最有影响力的,但之前的图像提供了有价值的预后信息.
结论:
- 纵向变压器用于生存分析 (LTSA) 提供了一种强大的方法,用于使用纵向医学成像进行动态疾病预后.
- 该模型有效地利用顺序底部摄影来预测AMD和POAG等眼睛疾病的进展.
- 之前的成像数据具有显著的预后价值,补充了最近扫描中的信息.
