眼生物识别 (OCR):一种机器学习算法,利用光学字符识别来提取眼内透镜生物识别测量结果
Anish Salvi1, Leo Arnal1, Kevin Ly2
1School of Medicine, Stanford University, Palo Alto, CA, United States.
Frontiers in artificial intelligence
|January 21, 2025
概括
本研究介绍了眼部生物识别OCR,这是一个使用PaddleOCR和Gemini提取PDF报告中的眼睛测量数据的自动化系统,可有效预测疾病. 该系统实现了高精度,简化了眼科研究的数据输入.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 计算机视觉 计算机视觉
背景情况:
- 眼部生物识别测量对于预测眼部疾病至关重要.
- 从PDF报告中手动提取数据是耗时和劳动密集的.
- 缺乏结构化数据阻碍了机器学习模型中生物识别的使用.
研究的目的:
- 开发和评估一个自动化系统,眼部生物识别OCR,用于从光学生物识别报告中提取眼部生物识别测量.
- 为了比较PaddleOCR和Gemini模型在提取这些数据中的性能.
- 促进生物识别数据在机器学习中用于预测眼病的使用.
主要方法:
- 使用两个OCR模型,PaddleOCR和Gemini,处理了2965个Lenstar,104个IOL Master 500和3616个IOL Master 700报告.
- 开发了一个文本提取管道,包括裁剪,OCR,键值对处理,错误纠正和结果选择.
- 使用检测,相似性和一致性得分评估模型性能,并为地面真相注释IOLM 500数据.
主要成果:
- 眼部生物识别OCR系统在所有测试设备中表现出高性能.
- 检测得分从0.990到1.000不等,相似性得分从0.995到0.999,以及一致性得分从0.985到0.999.
- 两种模型都显示出很好的一致性,PaddleOCR在定性和定量分析中表现略高.
结论:
- 使用OCR自动提取眼部生物识别数据是可行的,并且非常准确.
- 眼部生物识别OCR系统显著减少了手动数据输入的努力.
- 这项技术可以加速基于机器学习的眼科疾病预测模型的开发.
