在 Fundus 照片中检测多种疾病的域泛化

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 医学成像分析 医学成像分析

背景情况:

• 域泛化 (DG) 对机器学习模型在各种数据集中的可靠性至关重要.
• 由于成像,人口统计和疾病呈现的异质性,医疗数据给总局带来了独特的挑战.
• 有效的总干事对于医疗保健中的强大和公平的AI应用至关重要.

研究的目的:

• 评估多个领域的概括算法和多种疾病检测策略.
• 评估 DG 方法在不同全球人口的异质基金照片数据集上的表现.
• 为改善医疗保健结果,在各种医疗数据源中概括人工智能模型的挑战.

主要方法:

• 用各种域概括算法进行了广泛的实验.
• 使用了四个异构的基底照片数据集:OPHDIAT (法国),OphtaMaine (法国),RIADD (印度) 和ODIR (中国).
• 针对性检测多种眼部疾病,包括糖尿病,青光眼,白内障,与年龄相关的黄斑变性,高血压和近视.

主要成果:

• 量化了不同数据集的不同DG算法的性能.
• 确定了改善医学图像分析中的模型概括的有效策略.
• 证明了数据异质性对DG算法性能在基金图像分析中的影响.

结论:

• 域泛化技术对于开发可靠的人工智能工具,用于在 fundus 图像中检测多种疾病至关重要.
• 该研究提供了对各种总局方法的有效性的一些见解,当它们应用于现实世界,异构的医疗数据时.
• 跨多种人群和数据集的成功泛化是推动人工智能在全球眼科和医疗保健领域的关键.