基于混合元启发性特征选择的多眼病可解释诊断系统

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 机器学习用于疾病检测和检测

背景情况:

• 四种常见的眼睛疾病:与年龄相关的黄斑退化 (AMD),白内障,糖尿病视网膜病变 (DR) 和玻璃眼,导致明显的视力丧失.
• 早期检测对于管理这些疾病至关重要,但手动诊断是耗时和昂贵的,特别是大规模查.
• 计算机辅助诊断 (CAD) 系统可以帮助眼科医生,为多种疾病提供通用框架,为患者带来巨大的好处.

研究的目的:

• 开发和评估一个单一的,通用的计算机辅助诊断 (CAD) 框架,用于检测多种常见的眼部疾病.
• 利用非线性手工制作的功能和先进的机器学习技术来提高诊断准确度.
• 整合可解释的AI方法,以提高模型透明度和临床信任.

主要方法:

• 从 fundus 图像中提取非线性手工制作的特征.
• 使用JAYA算法 (JA) 进行混合特征选择,其次是哈里斯·霍克斯优化 (HHO).
• 训练一个极端梯度增强 (XGB) 模型进行分类,并使用Shapley添加式解释 (SHAP) 进行模型解释.

主要成果:

• 提出的通用框架实现了高性能指标:93%的准确性,91.3%的灵敏性,96.4%的特异性,90.4%的精度和90.8%的F1得分.
• 该系统是第一个在通用框架内使用非线性特征来检测多种指定的眼病的系统.
• SHAP分析提供了对特征影响的见解,证明了模型的可解释性和透明度.

结论:

• 开发的可解释的人工智能模型提供了一种高效和透明的方法,用于从 fundus 图像中诊断多种眼睛疾病.
• 这种方法可以帮助医生在临床实践中,减少与手动评估相关的主观性.
• 该框架能够在统一的系统中处理多种疾病,这代表了眼部疾病诊断的重大进步.