自动机器学习在基于眼科B扫描超声波图像的基础上检测 fundus 疾病的性能
Qiaoling Wei1,2, Qian Chen1, Chen Zhao1
1Eye Institute and Department of Ophthalmology, Eye & ENT Hospital, Fudan University, Shanghai, China.
BMJ open ophthalmology
|December 11, 2024
概括
自动机器学习 (AutoML) 模型有效地从眼睛超声波图像中检测 fundus 疾病,显示出增强诊断可访问性的潜力. 临床医生开发的AutoML模型的性能与专家设计的深度学习系统相提并论.
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:
- 眼部B扫描超声波成像对于诊断 fundus 疾病至关重要.
- 开发准确和可访问的诊断工具对于及时治疗至关重要.
- 自动机器学习 (AutoML) 为提高诊断能力提供了一个有希望的途径.
研究的目的:
- 用眼部B扫描超声波图像来评估AutoML模型在检测 fundus 疾病中的有效性.
- 为了比较不同AutoML模型配置 (单标签,多类单标签,多标签) 的性能.
- 评估AutoML在彻底改变眼科诊断中的潜力.
主要方法:
- 在Vertex AI平台上开发了三种AutoML模型 (单标签,多类单标签,多标签).
- 眼科医生为模型训练注释了两个B扫描超声波图像数据集.
- 模型的性能被评估并与彼此和现有的定制模型进行比较.
主要成果:
- 一个标签的AutoML模型实现了0.9943.3的精度回忆曲线 (AUPRC) 下的面积.
- 多标签和多类单标签模型表现出强的性能,AUPRC分别为0.9650和0.9617.
- 单标签模型在所有评估指标 (p<0.05) 中明显优于其他AutoML配置.
结论:
- 临床医生开发的AutoML模型可以有效地检测多重 fundus 病变.
- 自动ML模型的性能与人工智能专家开发的深度学习模型相当.
- 自动ML具有显著的潜力,可以扩大先进的眼科诊断技术的可访问性和应用.
