利用纵向医学成像的力量,以利用基于变压器的序列建模来预测眼病的预后
Gregory Holste1,2, Mingquan Lin2, Ruiwen Zhou3
1Department of Population Health Sciences, Weill Cornell Medicine, NY, USA.
ArXiv
|October 7, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用顺序医疗图像预测眼睛疾病的进展. 纵向变压器生存分析 (LTSA) 模型改善了与年龄相关的黄斑变性和青光眼等疾病的预测.
科学领域:
- 眼科医生 眼科 眼科
- 医学成像分析 医学成像分析
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 使用深度学习的自动诊断已经推进了医学成像分析,特别是在眼科中.
- 当前的方法往往忽略了纵向数据,这对于管理渐进性眼睛疾病,如与年龄相关的黄斑变性 (AMD) 和初级开角绿眼 (POAG) 至关重要.
- 追踪疾病进展和预测重复成像的未来风险对于有效的治疗计划至关重要.
研究的目的:
- 开发一种深度学习模型,即生存分析的纵向变压器 (LTSA),用于使用纵向底部摄影进行动态疾病预后.
- 从不规则的眼睛图像序列来建模疾病发病或进展的时间.
- 评估LTSA在预测晚期AMD和POAG方面的表现与单图像基线对比.
主要方法:
- 利用了来自年龄相关眼病研究 (AREDS) 和眼睛高血压治疗研究 (OHTS) 的纵向 fundus 摄影数据集.
- 开发了长度变压器生存分析 (LTSA) 模型,以处理长时间和不规则时间间隔捕获的图像序列.
- 对LTSA进行头对头比较,与疾病预后的单图像分类基线进行对比.
主要成果:
- 在20个与晚年相关的黄斑变性预后比较中的19个中,LTSA显著优于单一图像基线.
- 在20项对比中,LTSA在18项主要开角青光眼预后的对比中表现优异.
- 时间注意力分析表明,虽然最近的图像是最有影响力的,但历史成像数据提供了显著的额外预后价值.
结论:
- 纵向变压器用于生存分析 (LTSA) 能够有效地从眼科中的纵向医学成像进行动态疾病预后.
- 与传统的单图像分析相比,LTSA为渐进性眼病提供了更好的预测准确度.
- 纵向数据,即使是不规则间隔的数据,对于准确预测疾病进展和风险至关重要.
