可解释的深度学习用于眼视野预测:人工物校正增强了变压器模型

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:

• 光学连贯断层扫描 (OCT) 对于诊断青光瘤至关重要.
• 在OCT扫描中的人工物可以损害诊断的准确性.
• 预测来自OCT的视野 (VF) 损失对于玻璃眼病管理至关重要.

研究的目的:

• 开发一种深度学习方法来恢复载有文物的OCT扫描.
• 为了预测Humphrey视野测试 (HVF) 的功能损失,使用更正的OCT数据.
• 为了增强玻璃眼结构和功能之间的相关性.

主要方法:

• 一个生成的扩散模型被用来纠正周状视网膜神经纤维层 (RNFL) 厚度图文物.
• 三个卷积神经网络和两个基于变压器的模型被训练在原始和文物纠正的数据集.
• 无标签蒸 (DINO) 视觉转换器 (ViT) 用于预测和可解释性分析.

主要成果:

• 在经过人工物校正的OCT数据上训练的DINO-ViT模型实现了最高的预测准确性 (RMSE: 4.44 dB,MAE: 3.46 dB).
• 工件纠正导致全球RMSE和MAE的显著改善 (P <0.05).
• 可解释性工具证实,文物损害了预测能力,在纠正后会有所改善.

结论:

• 将自主监督的ViT与生成器件校正相结合,可以增强青光眼中结构功能相关性.
• 开发的方法为格洛科马的管理和研究提供了一个工具.
• 处理文物对于准确的OCT扫描的临床解释至关重要.