相关实验视频
Updated: Jun 27, 2026
05:51
Smartphone Fundus Photography
Published on: July 6, 2017
38.9K
使用元学习推广基于智能手机的角质炎查:一项多中心研究
Zhongwen Li1, Yangyang Wang1, Kuan Chen2
1Ningbo Key Laboratory of Medical Research on Blinding Eye Diseases, Ningbo Eye Institute, Ningbo Eye Hospital, Wenzhou Medical University, Ningbo 315040, China; National Clinical Research Center for Ocular Diseases, Eye Hospital, Wenzhou Medical University, Wenzhou 325027, China.
Journal of biomedical informatics
|September 7, 2024
概括
一个新的meta-learning框架,即 cosine最接近的中心基学习 (CNCML),可以使用智能手机进行有效的角质炎查. 这种方法通过利用裂纹灯图像知识,在有限的智能手机数据中实现了高精度,提高了角膜失明检测的可访问性.
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:
- 角膜炎是全球角膜失明的主要原因.
- 早期发现和转诊对于改善患者的治疗结果至关重要.
- 智能手机在服务不足的地区提供了炎查的潜力,但数据稀缺性挑战了传统的深度学习.
研究的目的:
- 为基于智能手机的角质炎查提出一个元学习框架,即基于近心点的CNCML (cosine closest centroid-based metric learning).
- 开发一个强大的模型,尽管智能手机数据有限,利用从灯图像的先前知识.
主要方法:
- 从3个临床中心使用13009张裂纹灯和4075张智能手机照片开发和评估CNCML.
- 训练有素的CNCML与来自HUAWEI智能手机的不同小数据集 (0-20图像/类) 来模拟现实世界的稀缺性.
- 在内部和外部智能手机数据集 (VIVO,XIAOMI) 上评估性能,并与传统的深度学习模型进行比较.
主要成果:
- 在每个类中,CNCML只用15个智能手机图像实现了高精度 (83.15%-89.99%) 和宏观AUC (0.95-0.98).
- 在智能手机数据集上,CNCML在准确性方面超过了传统的深度学习模型0.56%至9.65%.
- 证明了快速学习能力和在最少的训练样本下表现出色.
结论:
- 即使数据有限,CNCML也提供了使用智能手机查角膜炎的可行解决方案.
- 这种超学习方法有助于智能炎检测从专业设备转向无处不在的设备.
- 提高了炎查的便利性和有效性,特别是在偏远或服务不足的地区.
