提高AI可靠性:基于光学连贯性断层扫描的视网膜疾病诊断不确定性估计的基础模型
Yuanyuan Peng1, Aidi Lin2, Meng Wang3
1School of Biomedical Engineering, Anhui Medical University, Hefei, Anhui 230032, China.
Cell reports. Medicine
|December 20, 2024
概括
一种具有不确定性估计 (FMUE) 的新基础模型从光学连贯性断层扫描 (OCT) 扫描中准确检测出16种视网膜疾病. 这种人工智能模型在识别视网膜疾病方面超过了人类专家,提供了可靠的临床实施.
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:
- 人工智能用于视网膜疾病检测的临床实施受到信任估计和检测新型疾病类别的局限性阻碍.
- 光学连贯断层扫描 (OCT) 是诊断各种视网膜疾病的关键成像方式.
研究的目的:
- 开发和评估一个带有不确定性估计 (FMUE) 的基础模型,用于使用OCT图像检测16种视网膜疾病.
- 评估模型的性能与最先进的算法和人类专家在一个开放的环境中.
主要方法:
- 在OCT扫描上检测视网膜状况的基础模型与不确定性估计 (FMUE) 的开发.
- 使用来自不同OCT机器的内部和外部测试集评估FMUE的性能.
- 与视网膜专家,高级医生,初级医生和GPT-4V.相比,FMUE的诊断F1得分的比较.
主要成果:
- 与内部测试集中的现有算法 (92.03%-93.66%) 相比,FMUE获得了更高的F1得分 (95.74%-97.44%).
- 在不同OCT机器的外部测试套件上,FMUE的性能可比.
- FMUE显著优于人类专家,F1得分为96.30%,与视网膜专家的86.95%相比 (p=0.004).
- 在超过85%的非目标疾病或低质量的图像中,FMUE正确识别了高不确定性,促使手册审查.
结论:
- 开发的FMUE提供了一种可靠和高度准确的方法,用于在临床环境中自动检测视网膜异常.
- FMUE的不确定性估计能力对于安全的临床部署至关重要,防止在开放环境中误诊.
- 这种人工智能模型显示了增强眼科临床决策的潜力.
