量化糖尿病视网膜病变的特征在斑点光学一致性断层扫描血管图像:几次拍摄的学习和可解释的人工智能方法
Ali Akbar Movassagh1, Mahdie Jajroudi2, Amir Homayoun Jafari1
1Department of Medical Physics and Biomedical Engineering, School of Medicine, Tehran University of Medical Sciences, Tehran, IRN.
Cureus
|February 3, 2025
概括
在可解释的AI中,少数拍摄的学习和自我注意力显示出使用OCTA图像准确地确定糖尿病视网膜病变的可能性,特别是当数据有限时. 这种方法有助于早期检测和临床决策.
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:
- 糖尿病视网膜病变 (DR) 的检测和分期对于预防视力丧失至关重要.
- 光学连贯断层扫描血管造影 (OCTA) 提供了详细的血管洞察力,但需要专家的解释.
- 对于DR分析而言,深度学习 (DL) 需要大量的数据集,这对像OCTA这样的新兴成像领域构成了挑战.
研究的目的:
- 评估使用OCTA图像对DR分期分类的几次学习 (FSL) 和自我注意力可解释AI (XAI) 方法.
- 在数据有限的场景中提高DR分类的准确性.
主要方法:
- 使用FSL.分析了206张OCTA图像 (104张非增殖DR,102张增殖DR)
- 采用并比较了三个预先训练的网络 (ResNet-50,DenseNet-161,MobileNet-v2).
- 将顶级模型与匹配主题网络 (MTUNet) 集成,以实现基于自我注意的可解释性.
主要成果:
- 使用FSL的ResNet-50获得了76.17%的精度,81.83%的灵敏度,70.5%的特异性和0.82 AUC.
- MTUNet提供了0.77的PDR和0.75的NPDR的模式匹配得分.
结论:
- FSL和自我注意力XAI对于DR分期是有效的,特别是在有限的OCTA数据下.
- 这种方法可以支持早期DR检测和临床决策.
