验证神经元激活模式的人工智能模型在眼科的验证.
Songyang An1,2, David Squirrell3
1School of Optometry and Vision Science, The University of Auckland, 85 Park Rd, Grafton, Auckland, 1023, New Zealand. Songyang.an@auckland.ac.nz.
Scientific reports
|September 9, 2024
概括
我们开发了一种使用神经元激活模式 (NAP) 解释人工智能 (AI) 的新方法,将视网膜图像与健康联系起来. 这种人工智能解释工具对从眼部扫描中了解心血管风险充满希望.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 心血管健康 心血管健康
背景情况:
- 眼科利用人工智能 (AI) 将视网膜特征与全身健康联系起来.
- 在眼科学模型中使用的微妙视网膜表型对传统的AI解释性工具 (如突出性地图) 构成挑战.
- 现有的神经元激活模式 (NAP) 方法主要集中在AI模型中的故障诊断上.
研究的目的:
- 设计和验证一个新的NAP框架来解释眼科AI模型.
- 评估NAP在理解AI预测从视网膜图像中抽缩血压的有用性.
- 探索NAP与心血管风险的相关性以及预测血压组内的生物差异.
主要方法:
- 开发了一个新的NAP框架,用于在眼科学中解释AI模型.
- 将NAP框架应用于人工智能模型,该模型从 fundus 图像中预测系统性血压.
- 利用英国生物库数据集进行模型培训和验证.
主要成果:
- 生成的NAP与心血管风险的临床终点相关.
- 根据NAP框架,在具有相同预测缩血压的参与者中,成功区分了两个生物学上不同的群体.
- 证明了NAP框架的可行性,用于解释眼科人工智能模型.
结论:
- 拟议的NAP框架提供了一种可行的方法,可以更深入地了解眼科人工智能模型的功能.
- NAP分析提供了视网膜成像AI,缩血压预测和心血管风险评估之间的联系.
- 对外部数据集进行进一步验证是必要的,以确认发现的概括性.


