基金图像深度学习研究,探索视网膜形态与与年龄相关的黄斑退化症多基因风险评分的关联
Adam Sendecki1, Daniel Ledwoń2, Aleksandra Tuszy2
1Chair and Clinical Department of Ophthalmology, Faculty of Medical Sciences in Zabrze, Medical University of Silesia, 40-752 Katowice, Poland.
Biomedicines
|September 28, 2024
概括
深度学习模型可以从视网膜图像中估计与年龄相关的黄斑变性 (AMD) 遗传风险. 这种方法将基底图像形态与AMD的多基因风险评分 (PRS) 关联起来,有助于早期检测.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 与年龄相关的黄斑变性 (AMD) 是一种普遍存在的眼睛疾病,具有遗传和环境因素.
- 全球有数百万人受到AMD的影响,需要先进的诊断工具.
研究的目的:
- 研究 fundus 图像中的视网膜形态与AMD 多基因风险评分 (PRS) 之间的相关性.
- 开发和验证深度学习模型,从视网膜图像中估计AMD PRS.
主要方法:
- 使用了23654张 fundus图像的数据集,其中558张高质量的图像被选择用于分析.
- 采用微调的DenseNet121模型,从基底图像中估计PRS,然后进行特征提取和机器学习回归.
- 应用Grad-CAM技术可视化模型的注意力,并确定与视网膜形态特征的关系,如drusen.
主要成果:
- 与单独使用DenseNet121相比,混合深度学习方法提高了PRS估计的准确性.
- 关键的绩效指标包括MAE=0.74,MSE=0.85,RMSE=0.92,R2=0.18,MAPE=2.41. 这些指标包括MAE=0.74,MSE=0.85,RMSE=0.92,R2=0.18,MAPE=2.41.
- 格拉德-CAM分析证实了模型专注于AMD特异性病变,特别是德鲁森,同时注意到对图像工件的敏感性.
结论:
- 基金图像显示了与AMD PRS的显著关联,验证了深度学习的潜力.
- 深度学习模型可以使用视网膜图像有效估计AMD的遗传风险.
- 这项技术可以促进早期的AMD检测和个性化的治疗策略.
