评估一个基础人工智能模型,用于用彩色基底图片检测青光眼.

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 玻璃眼是全球不可逆转失明的主要原因.
• 早期检测和准确的诊断对于有效的绿眼病管理至关重要.
• 自动诊断工具可以提高查效率和可访问性.

研究的目的:

• 评估RETFound人工智能 (AI) 模型的诊断准确性,用于使用光盘照片检测青光眼.
• 评估模型在不同的人口群体 (种族,年龄) 和疾病严重程度的表现.
• 确定培训数据集大小和培训周期对AI模型准确性的影响.

主要方法:

• 这项研究利用了来自2329名参与者的9787张彩色基底照片 (CFP) 的多样化数据集.
• RETFound是一种自我监督的学习模型,用于二进制玻璃眼的分类.
• 模型性能通过不同的数据集样本大小 (50-2000图像) 和训练时代 (5-50),分层按种族,年龄和青光眼严重程度进行评估.

主要成果:

• 接收器操作特征曲线 (AUC) 下的区域,用于眼的检测,从0.52 (50张图像,5个时代) 提高到0.86 (2000张图像,50个时代).
• 在不同种族 (黑人AUC=0.87与其他AUC=0.86) 和年龄组 (<60岁AUC=0.87与>60岁AUC=0.84) 中,表现保持一致.
• 该模型在检测中度至重度青光眼 (AUC=0.95) 和轻度青光眼 (AUC=0.84) 相比,显示出更高的准确性.

结论:

• 即使使用相对较小的微调数据集,RETFound在检测青光眼方面表现良好.
• 人工智能模型的准确性在各种种族和年龄组中是一致的.
• 在各种临床环境中,RETFound显示出作为一种用于自动化眼病检测的工具的前景.