一种机器学习方法,从meibography图像中预测干眼相关的迹象,症状和诊断
Andrew D Graham1,2, Tejasvi Kothapalli3,2, Jiayun Wang1,2
1Vision Science Group, University of California, Berkeley, United States.
Heliyon
|September 17, 2024
概括
人工智能揭示了梅博姆腺 (MG) 形态是预测干眼疾病迹象和症状的关键. 这种深度学习方法增强了对MG结构的理解.
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:
- 干眼病是影响眼睛表面健康的普遍疾病.
- 梅博姆腺 (MG) 功能障碍是蒸发性干眼的主要原因之一.
- 了解MG形态是诊断和管理干眼的关键.
研究的目的:
- 采用人工智能 (AI) 来识别梅博姆腺 (MG) 形态,主体因素,临床结果和干眼症状之间的关系.
- 开发一个深度学习模型来分析MG形态特征从红外电波图像的红外电波图像.
- 确定MG形态学与MG功能,膜稳定性,眼睛表面健康以及患者报告的症状相关的预测能力.
主要方法:
- 从363名受试者 (隐形眼镜佩戴者和非佩戴者) 收集了562张红外微图图像.
- 训练了一个深度学习模型来细分单个MG并提取详细的形态特征.
- 将形态数据与临床和症状数据整合到预测模型中.
主要成果:
- MG的形态特征是眼划痕,血管化,MG表达物,膜稳定性,角膜染色和舒适性的显著预测因素 (准确率为65%-99%).
- 可见的MG计数和其他临床参数预测了MG功能障碍,水性缺乏和白炎 (74%-85%的准确率).
结论:
- 人工智能衍生的MG形态特征对于预测MG功能障碍和干眼的迹象,症状和诊断至关重要.
- 对MG形态学的深度学习分析提供了丰富的临床见解.
- 这种方法显示了进一步了解MG形态在眼睛表面健康中的作用的潜力.
