使用自我监督的深度学习模型对临床光镜图像应用,区分胆管黑色素瘤和Nevi
Max Jackson1,2, Helen Kalirai1,2, Rumana N Hussain1,3
1Liverpool Ocular Oncology Research Group, Department of Eye and Vision Science, Institute of Life Course and Medical Sciences (ILCaMS), University of Liverpool, Liverpool, United Kingdom.
Ophthalmology science
|January 13, 2025
概括
一个深度学习模型,RETFound,使用 fundus 图像有效地区分阴道黑色素瘤 (UM) 和瘤. 这种经过验证的自我监督模型在分类眼部疾病方面表现出高准确度.
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:
- 后膜黑色素瘤 (UM) 是一种罕见但严重的眼部恶性瘤.
- 准确区分UM和良性内对于适当的患者管理至关重要.
- 现有的诊断方法可能是有限的,需要先进的分析工具.
研究的目的:
- 评估RETFound的性能,一个自我监督的深度学习模型,在膜黑色素瘤和瘤之间进行区分.
- 评估该模型在与UM和nevi一起对健康眼睛进行分类的实用性.
- 在一个大型的单中心数据集上验证模型的准确性.
主要方法:
- 一项病例控制研究,使用了4255名患者的超宽场背景扫描图像 (彩色和自发光).
- 在质量排除后,分析了18,510个UM,8,671个nevi和1,192个健康眼睛图像.
- 微调RETFound深度学习模型用于二进制 (UM vs. nevi) 和三进制 (UM vs. nevi vs.健康) 分类任务.
主要成果:
- 该模型实现了0.90的AUROC和0.83的准确性对二进制分类 (UM对 nevi).
- 对于三级分类,该模型显示平均准确度为0.82和AUROC为0.92.
- 这些结果表明,在区分眼部病理方面表现强.
结论:
- 像RETFound这样的自我监督深度学习模型是可行的,可以准确区分UM和 nevi.
- 该模型在来自单个临床中心的大型不平衡数据集中显示出高准确度.
- 计划对外部队列进行进一步验证,以评估更广泛的临床适用性.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.2K
