通过使用新型混合架构进行上下文眼动数据分析,有效地对各种病理进行诊断分类

科学领域:

• 眼科和神经科学 眼科和神经科学
• 医疗技术 医疗技术 医学技术
• 医疗保健中的人工智能

背景情况:

• 眼动分析对于理解大脑功能和神经系统疾病至关重要.
• 现有的方法缺乏跨多种病理的全面差异化.
• 多中心数据集和AIDEAL和REMOBI等先进技术提供了新的分析可能性.

研究的目的:

• 开发一种眼动数据分析工具,用于选八个不同的病理组.
• 通过结合多注释和上下文信息来提高诊断准确性.
• 创建一个计算高效的AI模型来分类各种疾病.

主要方法:

• 利用来自20个临床中心的大量数据集,使用了AIDEAL和REMOBI眼睛跟踪技术.
• 实现了多注释设置,包括saccade和vergence眼动测试.
• 开发了一种混合卷积神经网络 (CNN) 和变压器架构,以提高效率和准确性.
• 集成的上下文数据,如目标信号,延迟和记录质量信心水平.

主要成果:

• 在区分八个病理群体方面取得了很高的准确性,注意力和神经障碍的显著宏观F1得分为78.8%.
• 通过新的混合架构,显著降低了计算成本的3.36倍.
• 在两个不同的数据集和多个临床中心验证了模型的有效性.
• 展示了通过上下文信息集成来提高降噪和准确性的潜力.

结论:

• 开发的眼动分析方法有效地分类来自不同病理和临床环境的数据.
• 混合人工智能架构为诊断查提供了一种计算效率高,具有竞争力的方法.
• 这项研究为人工智能驱动的助理工具为早期疾病检测和差异化铺平了道路.