用专家眼睛跟踪数据和深度学习来自动识别眼镜中临床相关区域的OCT报告
Ye Tian1,2, Anurag Sharma1,2, Shubh Mehta1
1Department of Biomedical Engineering, Columbia University, New York, New York, USA.
Translational vision science & technology
|October 15, 2024
概括
这项研究引入了一种深度学习模型,该模型可以预测光连贯断层扫描 (OCT) 报告中的关键区域,用于使用眼睛跟踪数据检测青光眼. 在OCT扫描中,AI通过突出显示医学上重要的区域来帮助眼科医生.
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:
- 青光眼的诊断依赖于解释光学连贯性断层扫描 (OCT) 报告,这可能是复杂和耗时的.
- 在OCT报告中确定医学上突出的区域对于准确检测青光瘤至关重要.
研究的目的:
- 开发一种深度学习方法,用于预测最依赖于OCT报告的地区.
- 利用眼科医生的眼睛跟踪数据来指导AI识别重要区域.
- 通过突出显示关键图像区域,协助眼科医生诊断青光眼.
主要方法:
- 从眼科专业人员收集的眼睛跟踪数据,查看OCT报告以检测青光眼.
- 采用U-Net模型作为深度学习的支柱.
- 量子化眼睛跟踪坐标进入一个11x11网格用于模型训练.
- 研究了专业知识水平,模型架构和目光模式对表现的影响.
主要成果:
- 开发的方法在预测最固定区域时,获得了0.723的精度,0.562的回忆和0.609的F1得分.
- 基于网格的眼睛跟踪结构促进了高效的模型训练.
- 该U-Net架构展示了卓越的性能.
结论:
- 深度学习模型显示出有潜力帮助眼科医生诊断青光瘤,通过预测海外国家和地区报告中的突出区域.
- 眼睛跟踪数据可以有效地引导深度学习算法进入信息领域,特别是当专家访问有限时.
- 这种方法可以提高医疗教育,并支持自我监督的学习,用于早期发现青光眼.
