基金网:使用基金图像进行神经退行和眼睛疾病快速诊断的深度学习方法
Wenxing Hu1, Kejie Li1, Jake Gagnon1
1Research Department, Biogen, Inc., 225 Binney St., Cambridge, MA 02142, USA.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
深度学习模型FundusNet提供了快速,经济高效的神经退行性疾病的早期检测,使用 fundus 图像. 它在诊断帕金森病和多发性硬化症方面表现有前途,有助于临床治疗.
科学领域:
- 眼科医生 眼科 眼科
- 神经学 神经学
- 人工智能的人工智能
背景情况:
- 早期发现神经退行性疾病对于治疗至关重要.
- 目前的诊断方法往往是昂贵和耗时的.
研究的目的:
- 引入FundusNet,这是一个深度学习模型,用于快速和经济高效地使用fundus图像对神经退行性疾病进行诊断.
- 评估FundusNet在年龄预测,性别分类和诊断特定神经退行性疾病方面的表现.
主要方法:
- 一个深度学习模型,FundusNet,在基金图像上接受了培训.
- 使用诸如平均绝对误差 (MAE) 和曲线下的面积 (AUC) 等指标来评估性能.
- 用Grad-CAM进行模型解释,识别诊断关键的图像区域.
主要成果:
- 在年龄预测 (MAE 2.55年) 和性别分类 (AUC 0.98) 中,FundusNet实现了高准确度.
- 该模型在诊断帕金森病 (AUC 0.75 ± 0.03) 和多发性硬化症 (AUC 0.77 ± 0.02) 中表现出显著的性能.
- 格拉德-CAM分析证实FundusNet专注于相关的视网膜结构,遗传风险预测显示高准确度.
结论:
- 基金网提供了一种快速,具有成本效益的工具,通过基金成像来早期检测神经退行性疾病.
- 该模型的可解释性突显了其识别与疾病相关的视网膜生物标志物的能力.
- 更大的数据集可以进一步增强,特别是用于预测遗传风险.
