一个通用的计算机视觉模型,用于使用 fundus 图像改进绿眼查
Abadh K Chaurasia1, Guei-Sheung Liu2,3,4, Connor J Greatbatch2
1Menzies Institute for Medical Research, University of Tasmania, Hobart, TAS, Australia. abadh.chaurasia@utas.edu.au.
Eye (London, England)
|November 5, 2024
概括
一种新的深度学习模型有效地从 fundus 图像中选光眼,实现高精度. 建议对各种数据集进行进一步验证,以便广泛地对人口进行查.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 玻璃眼是全球不可逆转的失明的主要原因.
- 早期检测至关重要,但具有挑战性,特别是在资源有限的环境中.
- 计算机视觉模型为增强的玻璃眼查提供了潜在的潜力.
研究的目的:
- 开发和验证一种通用深度学习算法,用于使用底图像进行青光眼查.
- 评估模型在区分健康和眼底图像方面的表现.
- 评估模型在各种数据集中的通用性.
主要方法:
- 从20个公共数据库收集了18468张基金图像.
- 在聚合数据集上使用Fastai和PyTorch训练了一个深度学习模型.
- 使用AUROC,灵敏度,特异性,准确性,精度和F1得分来评估模型性能.
主要成果:
- 该模型在主要数据集上实现了0.9920的AUROC.
- 敏感性,特异性,准确性,精度和F1分数在两个类别中都超过了0.9530.
- 对Drishti-GS数据集的外部验证结果为AUROC为0.8751和准确度为0.8713.
结论:
- 开发的分类模型在区分青光斑与健康圆盘方面表现出高效率.
- 对未见过的数据的准确性略有下降,表明需要对更大,更多样化的数据集进行改进和验证.
- 该模型显示了在人口层面上进行青光眼查的潜力.
