使用生成性人工智能评估脑/皮层视力障碍儿童视觉突出度的方法

科学领域:

• 眼科和神经科学 眼科和神经科学
• 医疗保健中的人工智能
• 儿科视觉障碍研究研究

背景情况:

• 大脑/皮层视力障碍 (CVI) 是儿童视力损失的主要原因,特别是那些早产或发育迟缓的儿童.
• 目前的诊断方法缺乏客观标准化,用于评估CVI幼儿的各种视力障碍.
• 迫切需要精确的工具来评估儿科CVI视觉处理异常.

研究的目的:

• 引入和验证一种结合眼睛跟踪和生成AI (SegCLIP) 的新方法,以客观地评估CVI儿童的视觉特征.
• 使用人工智能生成的突出性地图和眼睛跟踪数据,比较CVI儿童和神经类型对照之间的视觉处理模式.
• 为了将客观的固定突出值与功能视觉评估 (CVI范围-CR) 对临床相关性进行关联.

主要方法:

• 招募40名CVI儿童和40名年龄匹配的对照 (12个月至12岁).
• 使用眼睛跟踪记录注视位置,而参与者查看标准化图像.
• 采用SegCLIP AI生成突出度地图,然后将其与眼睛跟踪固定图进行比较,以获得固定突出度值.

主要成果:

• 与对照组相比,CVI参与者预计较低的固定显著性值用于更高水平的视觉处理.
• 预期类似或更高的固定突出值用于CVI参与者的较低水平视觉特征.
• 预测固定突出值和CVI范围-CR得分之间的显著相关性.

结论:

• 使用眼睛追踪进行人工智能支持的突出度分析为量化儿科CVI视觉处理异常提供了一个客观的衡量标准.
• 这种创新技术有望为患有CVI的儿童量身定制个性化干预措施.
• 该方法有可能在未来的儿科视力障碍临床试验中作为标准化结果指标.