多模式深度学习用于区分细菌和真菌角膜炎,使用前景代表性数据.
N V Prajna1, Jad Assaf2, Nisha R Acharya3
1Aravind Eye Hospital, Madurai, India.
Ophthalmology science
|January 27, 2025
概括
在南印度角膜炎数据上训练的计算机视觉模型在区分细菌和真菌感染方面取得了很高的准确性. 这突显了AI在使用代表性数据集诊断传染性角膜炎方面的潜力.
科学领域:
- 眼科医生 眼科 眼科
- 医疗人工智能 医疗人工智能
- 传染性疾病 传染性疾病
背景情况:
- 传染性角膜炎是视力丧失的主要原因,有效治疗需要精确区分细菌和真菌病因.
- 目前的诊断方法可能耗时,可能并不总是确定的,需要改进的诊断工具.
研究的目的:
- 开发和评估用于区分细菌和真菌角膜炎的多式机器学习模型.
- 为了比较在前性,代表性数据集和先前临床试验数据集上训练的模型的性能.
主要方法:
- 三种模型的开发:临床数据,计算机视觉 (EfficientNet) 和多式联络.
- 培训和验证使用来自南印度的前数据集 (MADURAI) (599名受试者).
- 用MADURAI数据集训练的模型与用先前随机临床试验 (RCT) 数据训练的模型进行比较.
主要成果:
- 与临床数据模型和RCT训练的计算机视觉模型相比,在MADURAI数据集上训练的计算机视觉模型表现出更高的性能 (AUPRC 0.94).
- 多式联网模型没有比计算机视觉模型提供显著的性能改进.
- 关键性能指标包括AUPRC,AUROC,准确度 (77%) 和F1得分 (0.85).
结论:
- 在前性,代表性数据集上训练的计算机视觉模型对于诊断传染性角膜炎非常有效.
- 基于图像的深度学习显示了增强感染性角膜炎诊断能力的前景.
- 该研究强调了在医疗保健中使用代表性,现实世界的数据来培训和评估机器学习模型的关键重要性.


