自主监督学习增强的深度学习方法,用于识别高近视患者的近视性黄斑病.
Juzhao Zhang1,2,3,4, Fan Xiao5,6, Haidong Zou1,2,3,4
1Shanghai Eye Disease Prevention & Treatment Center/Shanghai Eye Hospital, School of Medicine, Tongji University, Shanghai, China.
iScience
|August 30, 2024
概括
一个新的深度学习 (DL) 系统与自主监督学习 (SSL) 显著改善了近视性黄斑病 (MM) 的自动诊断. 这种先进的AI可以提高高近视患者的早期检测和治疗.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 高近视会带来诊断挑战,需要改进检测近视性黄斑病 (MM) 的方法.
- 目前MM的诊断技术需要提高大规模查效率.
研究的目的:
- 开发和验证一个深度学习 (DL) 系统,加上自我监督学习 (SSL) 系统,用于准确的MM诊断.
- 评估SSL增强DL系统的性能与传统方法和专家诊断相比.
主要方法:
- 利用了来自上海高近视查项目的大型数据集 (7,906张图像) 和公共验证集 (1,391张图像).
- 开发了一个深度学习模型,其中包含了自我监督的学习策略,用于增强功能提取.
- 在内部和外部数据集上评估模型的诊断准确性,灵敏度,特异性和AUC值.
主要成果:
- 通过SSL增强的DL系统实现了高内部性能 (96.8%的准确性,83.1%的灵敏性,95.6%的特异性,AUC高达0.999).
- 外部验证证明了强大的性能 (89.0%的准确性,71.7%的灵敏性,87.8%的特异性,AUC高达0.978).
- 该模型的科恩卡帕值超过了0.8,这表明与视网膜专家有很大的共识.
结论:
- 自主监督学习增强的深度学习方法显著改善了近视性黄斑病的自动诊断.
- 这种人工智能系统显示了提高大规模近视查效率和准确性的巨大潜力.
- 这些发现突出了先进AI在早期检测和治疗MM的更广泛意义.
