相关实验视频
Updated: May 17, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.4K
独立评估RETFound基金会模型在使用眼底摄影进行视神经分析上的表现
Maggie S Chen1, Rohith Ravindranath1, Robert Chang1
1Department of Ophthalmology, Byers Eye Institute, Stanford University, California, Palo Alto, California.
Ophthalmology science
|March 31, 2025
概括
从视网膜图像中,RETFound基础模型准确地预测视神经指标,例如杯与磁盘的比率 (CDR) 和视网膜神经纤维层 (RNFL) 厚度. 这种AI模型在专业应用中脱而出,克服了较小数据集的局限性.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 对视神经指标的准确预测对于诊断和监测眼睛疾病至关重要.
- 基础模型提供了从医疗图像中提取有意义的特征的潜力.
研究的目的:
- 评估RETFound基础模型作为预测光神经指标 (CDR和RNFL厚度) 的特征提取器.
- 评估RETFound模型与使用独立临床数据的基线模型的性能.
主要方法:
- 追溯观察性研究使用 fundus 图像和 RNFL OCT 数据.
- 使用RETFound从 fundus图像中提取了隐藏的特征.
- 训练有素的线性回归模型 (Ridge,Lasso,弹性网,OLS) 使用RETFound功能.
- 将RETFound模型与VGG16和视觉变压器 (ViT) 基线模型进行比较.
主要成果:
- 在单个输出任务中,RETFound模型实现了高精度 (CDR:R2 0.706-0.898;Avg RNFL:R2 0.855-0.961).
- 对于多输出任务的性能不那么强大 (RNFL时钟小时:R2 0.583;RNFL象限:R2 0.811).
- 在预测RNFL厚度和CDR方面,RETFound模型的表现优于VGG16和ViT模型.
结论:
- 使用RETFound基础模型的机器学习模型可以从基底照片准确预测CDR和平均RNFL厚度.
- 在专业眼科应用中,RETFound有效地克服了小型数据集的局限性.
- 这项研究强调了眼科基础模型在视神经评估中的潜力.
