改进基于人工智能的微生物角质炎查工具,受限于有限的数据,使用合成生成裂纹灯照片

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:

• 微生物角膜炎 (MK) 是一种严重的眼部感染,需要及时诊断.
• 人工智能 (AI) 模型显示了从裂灯摄影 (SLP) 选MK的前景.
• 不同培训数据的有限可用性可能会阻碍人工智能模型的性能.

研究的目的:

• 开发一种新的生成对抗网络 (GAN) 模型,使用有限的数据来补充和改进基于AI的MK选模型.
• 评估GAN生成的合成SLP图像的质量和真实性.
• 评估补充真实训练数据与人工智能模型性能合成数据对MK分类的影响.

主要方法:

• 一个StyleGAN2-ADA GAN模型被训练在健康和MK眼睛的真实SLP上,以生成合成图像.
• 合成图像质量通过角膜专家的视觉图灵测试和使用内核发射距离 (KID) 的定量评估.
• 训练了两个DenseNet121人工智能模型:一个只有真实图像,另一个只有真实图像,并补充了GAN生成的合成图像.

主要成果:

• 视角膜专家认为合成图像质量很好,真实和合成图像都显示了分类的相关特征.
• 与仅使用真实数据 (0.76) 训练的模型相比,使用补充合成数据训练的MK选模型在接收器-操作员特征曲线下的面积更高 (0.93).
• 核发射距离 (KID) 分析证实了合成图像的现实性和变化.

结论:

• 将有限的真实训练数据与GANs生成的合成数据补充,可以显著提高基于AI的MK分类模型的性能.
• 由GAN生成的合成SLP是增强眼科人工智能研究数据集的可行工具.
• 这种方法有可能提高诊断AI工具在临床环境中的准确性和稳定性.