歧视性,生成性人工智能,以及视网膜成像中的基础模型

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 (AI) 越来越多地应用于视网膜成像,分为歧视性和生成性方法.
• 传统的卷积神经网络 (CNN) 和较新的视觉转换器 (ViT) 是区分任务的关键.
• 生成对抗网络 (GAN) 和基础模型代表了用于视网膜成像的生成AI的进步.

研究的目的:

• 审查近期人工智能用于视网膜成像的进展,重点关注歧视性和生成性技术.
• 为了比较视觉转换器 (ViT) 与卷积神经网络 (CNN) 的性能.
• 讨论基础模型的作用和在临床实践中部署人工智能的挑战.

主要方法:

• 对视网膜成像中人工智能应用的当前文献的审查.
• 对视觉转换器 (ViT) 和卷积神经网络 (CNN) 的性能指标进行比较,用于糖尿病视网膜病变查和视网膜液细分等任务.
• 讨论生成对抗网络 (GAN) 和数据增强和疾病歧视的基础模型.

主要成果:

• 视觉转换器 (ViTs) 与CNN相比表现出更高的性能,特别是在大型数据集上进行预训练时.
• 在诸如糖尿病视网膜病变查 (彩色底部照片) 和视网膜液体细分 (光学连贯断层扫描) 等任务中,ViTs取得了出色的结果.
• 像RETFound这样的基础模型显示出改善疾病歧视的潜力,优于监督模型.

结论:

• 人工智能,特别是ViT和基础模型,在视网膜图像分析方面取得了重大进展.
• 人工智能模型开发和现实世界的临床部署之间仍然存在着显著的差距.
• 证明AI能够预防视力损失的能力对于弥合开发部署差距至关重要.