彩色基底摄影和深度学习在阿尔茨海默病中的应用

科学领域:

• 眼科医生 眼科 眼科
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于临床评估和生物标志物.
• 视网膜成像为系统健康提供了一个非侵入性的窗口,可能揭示与AD相关的变化.
• 深度学习 (DL) 模型越来越多地被用于医学图像分析.

研究的目的:

• 开发和评估两种不同的DL模型来分类阿尔茨海默病 (AD) 仅使用视网膜色底照片.
• 将基于U-Net的模型 (ADVAS) 与基于自主监督的变压器模型 (ADRET) 的性能进行比较.

主要方法:

• 使用了两个独立的数据集 (英国生物库和机构) 来自AD患者和对照者的视网膜照片.
• 建议:具有视网膜血管细分的U-Net架构.
• ADRET:来自变压器的双向编码器表示 (BERT) 风格自主监督学习CNN,预先训练在英国生物银行数据上.
• 性能指标包括精度,灵敏度,特异性和接收器操作特征曲线.

主要成果:

• 与ADVAS相比,自主监督的ADRET模型在两个数据集中都显示出更高的准确性 (英国生物库:98.27% vs 77.20%;机构:98.90% vs 94.17%).
• 来自AD患者的注意热图突出显示了周周血管区域对于模型决策至关重要.
• 根据船体细分类型或眼睛横向性,没有观察到显著差异.

结论:

• 在视网膜图像上训练的自主监督的BERT风格的CNN可以准确地选症状性阿尔茨海默病.
• 这种方法在通过视网膜成像检测AD时,比基于U-Net的模型更准确.
• 为了临床转化,需要在不同人群中进一步验证和对成像技术进行协调.