使用机器学习技术从视野图像中检测和分期青光眼

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:

• 青光眼的诊断依赖于视野 (VF) 测试.
• 准确地确定青光眼的阶段对于有效的治疗至关重要.
• 目前的方法可能无法完全捕捉VF数据中的微妙变化.

研究的目的:

• 评估深度学习 (DL) 模型,以区分正常视野和眼视野.
• 通过使用模式偏差 (PD) 图表来评估DL模型在分期青光眼严重性方面的性能.
• 将DL模型的结果与传统的机器学习 (ML) 分类器进行比较.

主要方法:

• 训练DL模型 (ResNet18,VGG16) 在265个PD图表上从正常和眼的眼睛.
• 将VF分为正常,早期,中度和晚期玻璃眼病阶段.
• 采用五倍交叉验证和数据增强技术.
• 使用全球指数 (MD,PSD,VFI) 对ML模型进行DL性能比较.

主要成果:

• 在平衡,增强的PD图像上训练的ResNet18获得了96.8%的F1分数.
• DL模型准确地定位了视野损失.
• 机器学习 (随机森林) 获得了96%的F1分.
• 该公司的业绩与传统的全球指数相当.

结论:

• 在PD地块上训练的DL模型显示出对青光眼的检测和分期的希望.
• DL模型可以将眼病的严重程度分为阶段,类似于米尔斯标准,仅使用PD图表.
• 这种自动化方法可以帮助临床医生进行青光眼查和进展管理.