使用人工智能诊断眼通道阻塞 基于乳囊造影图像
Suyoung Kim1, Hyungwoo Lee1,2,3, Hong Gee Roh1,4
1School of Medicine, Konkuk University.
The Journal of craniofacial surgery
|November 6, 2024
概括
深度学习模型准确地使用乳囊瘤学 (DCG) 图像对眼通道阻塞进行分类. 这些人工智能工具可靠地检测和定位阻塞,提高了和面创伤患者的诊断效率.
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:
- 乳囊图 (DCG) 对于评估和面创伤患者的眼排水系统至关重要.
- 鼻管阻塞 (NLDO) 的准确诊断对于有效的治疗计划至关重要.
研究的目的:
- 开发和验证基于DCG图像的深度学习模型,用于基于DCG图像的眼通道状态的自动分类.
- 评估模型在检测障碍物和分类其位置方面的表现.
主要方法:
- 从430名NLDO患者中收集了719张DCG图像.
- 手动分类的障碍物分为上层 (canaliculus/常见的canaliculus) 和下层 (囊/管-囊结口/鼻管) 类型.
- 建立了深度学习模型,用于自动检测障碍物和位置分类.
主要成果:
- 障碍物检测模型实现了99.3%的准确性,98.8%的精度,99.5%的灵敏度和99.2%的F1得分.
- 障碍物位置分类模型实现了95.5%的准确性,93.0%的精度,93.0%的灵敏度和93.0%的F1得分.
- 接收器运行特征曲线表明模型可靠性很高.
结论:
- 深度学习模型作为DCG图像的诊断工具,具有很高的准确性和可靠性.
- 这些人工智能模型可以提高诊断一致性和准确性,即使对于非专家来说也是如此.
- 这些模型有助于有效地分配医疗资源,用于治疗眼排水系统障碍.
