开发和评估深度学习算法,以区分超声波光盘上的附着膜
Vaidehi D Bhatt1, Nikhil Shah2, Deepak C Bhatt1
1UBM Institute, Mumbai, India.
Clinical ophthalmology (Auckland, N.Z.)
|March 24, 2025
概括
一个新的深度学习算法使用眼部超声学准确区分视网膜脱落 (RD) 和后部玻璃体脱落 (PVD). 这种人工智能工具可以提高光盘膜在高容量环境中的诊断效率.
科学领域:
- 眼科和人工智能的人工智能
- 医学成像分析 医学成像分析
- 医疗保健中的深度学习
背景情况:
- 精确的光盘膜分化,如视网膜脱落 (RD) 和后玻璃体脱落 (PVD),对于及时的患者管理至关重要.
- 眼睛超声波 (USG) 是可视化这些结构的宝贵工具,但在高音量环境中,解释可能具有挑战性.
- 在眼科中,对自动化,可靠的诊断辅助工具的需求正在增加.
研究的目的:
- 开发和验证一个深度学习算法,用于识别和区分连接到光盘 (OD) 的膜,使用眼睛USG.
- 根据B扫描超声波图像,具体区分后部玻璃体脱落 (PVD) 和视网膜脱落 (RD).
主要方法:
- 基于变压器的视觉变压器 (ViT) 模型,在ImageNet21K上进行预训练,被用于图像分类.
- 眼部B扫描超声波图像进行了预处理,并分为健康,RD或PVD类别.
- 数据集被分为培训/验证 (505个样本) 和测试 (212个样本) 的子集,以评估模型性能.
主要成果:
- 人工智能模型实现了高分类准确度:PVD的98.21%,RD的97.22%,正常情况下的95.83%.
- 在所有类别中报告了高灵敏度和特异性,在RD方面,特异性达到100%.
- 发生了轻微的错误分类,七例RD被错误地识别为PVD.
结论:
- 一个基于变压器的深度学习算法在区分RD和PVD方面表现出强的性能,使用的是眼睛USG.
- 该模型提高了诊断效率,可能导致更快的转诊和改善紧急护理患者的结果.
- 这种人工智能创新显示出对高容量眼科成像中心临床采用有前途的希望.
