不确定性意识回归模型用于预测患有斑点孔的患者手术后视力敏度
Burak Kucukgoz1, Ke Zou2, Declan C Murphy3
1School of Computing, Newcastle University, Newcastle upon Tyne, UK; Institute of High-Performance Computing, A*STAR, Singapore, 138632, Singapore.
概括
一个名为U-ARM的AI模型使用OCT图像预测了黄斑孔手术后的视觉敏度. 它提供可靠的预测和不确定性估计,提高对眼科护理人工智能的信任.
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:
- 全厚的黄斑孔是常见的,视力障碍,并通过手术治疗.
- 手术结果根据光谱域光学连贯性断层扫描 (SD-OCT) 中可见的黄斑孔特征而有所不同.
- 目前用于手术决策的AI模型缺乏透明度和不确定性量化,阻碍了临床信任.
研究的目的:
- 开发和评估一种不确定性感知回归模型 (U-ARM),用于预测毛斑孔手术中的术后视力敏度 (VA).
- 使用手术前SD-OCT图像评估U-ARM的可靠性和通用性.
- 增强临床医生和患者对人工智能预测手术结果的信任.
主要方法:
- 开发了一个不确定性意识回归模型 (U-ARM),利用手术前的SD-OCT图像.
- 在内部和外部数据集上接受过培训和验证的U-ARM,用MAE,RMSE和R2测量性能.
- 质量评估了U-ARM的性能,并评估了它对包括低质量的图像在内的样本外数据的概括能力.
主要成果:
- 在内部测试 (MAE 6.07,RMSE 9.11,R2 0.47) 和外部测试 (MAE 6.49,RMSE 9.49,R2 0.42) 中,U-ARM取得了强大的预测性能.
- U-ARM提供了统计学上显著的不确定性估计 (p<0.005),表明非随机预测.
- 该模型对未见的数据,低质量的图像和培训分布之外的数据进行了优秀的概括.
结论:
- U-ARM提供了一种可靠和值得信赖的AI方法,用于预测黄斑孔手术后的视力敏度.
- 该模型的不确定性意识性质改进了现有的AI方法,使其适合临床实施.
- U-ARM有可能增强决策和改善眼科患者的治疗结果.
