基于深度学习的自动化工具用于诊断糖尿病外围神经病变
Qincheng Qiao1,2, Juan Cao1,3,4,5, Wen Xue1,2
1Department of Endocrinology and Metabolism, Qilu Hospital, Shandong University, Jinan, China.
Digital health
|January 1, 2025
概括
一个新的深度学习工具自动化从角膜共聚焦显微镜 (CCM) 图像进行角膜神经纤维分析,用于早期发现糖尿病外围神经病变 (DPN). 这种自动化方法与手动分析具有很高的一致性,有助于DPN诊断.
科学领域:
- 眼科医生 眼科 眼科
- 神经学 神经学
- 医疗成像医学成像
背景情况:
- 糖尿病外围神经病变 (DPN) 是一种常见的糖尿病并发症,需要早期检测.
- 角膜共聚焦显微镜 (CCM) 为DPN诊断提供角膜神经纤维 (CNF) 的非侵入性评估.
- 现有的CNF分析方法存在局限性,需要自动化解决方案.
研究的目的:
- 开发和验证基于深度学习的自动化工具,用于从CCM图像中对CNF参数进行细分和量化.
- 评估自动化工具的性能与手动注释和ACCMetrics等现有方法相比.
- 评估该工具在早期DPN诊断方面的潜力.
主要方法:
- 训练和评估深度学习 (DL) 模型用于CCM图像细分.
- 开发了一种图像处理算法,用于自动提取和定量CNF形态参数.
- 使用手册注释,ACCMetrics,布兰德-阿尔特曼分析和类内相关系数 (ICC) 验证了该工具.
主要成果:
- 在CCM图像分割中,U2Net模型实现了最高的性能 (0.8115的mIoU).
- 与ACCMetrics相比,自动化工具与手动结果的一致性明显更高,用于CNF参数量化.
- 该工具实现了基于CNF形态的DPN分类的0.75曲线下的面积.
结论:
- 开发的基于DL的工具有效地对CCM图像中的CNF参数进行细分和量化.
- 这种自动化工具对早期诊断DPN有希望.
- 需要进一步的临床验证来确认这种工具的实际应用价值.
