在 fundus 摄影中通过自我监督的深度学习和使用多式人工智能聊天机器人的多式多式解释性来自动检测视网膜动脉封闭

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:

• 视网膜动脉阻塞 (RAO) 是一种导致视力丧失的严重疾病.
• 早期诊断对于防止不可逆转的损伤至关重要.
• 有限的标记数据对AI模型开发构成了挑战.

研究的目的:

• 开发和验证人工智能驱动的深度学习模型,用于从 fundus 图像中检测 RAO.
• 通过自主监督学习 (SSL) 来解决数据稀缺问题.
• 通过多式模式的可解释性来提高临床透明度和信任.

主要方法:

• 使用了一个 ResNet50 模型,并与 SimCLR (自主监督学习框架) 进行预训练.
• 使用基于ChatGPT-4的AI聊天机器人和Grad-CAM可视化的多式模式解释性方法.
• 在两个外部数据集上验证模型.

主要成果:

• 在外部验证数据集上,在接收器操作特征曲线 (AUC) 下的面积为0.924和0.988时,实现了高诊断准确度.
• 证明了AI模型的稳定性和通用性.
• 可解释性框架成功解释了模型预测,突出了RAO的关键特征.

结论:

• 人工智能模型显示了准确和自动RAO检测的巨大潜力.
• 多模式解释性增强了对AI诊断的临床理解和信任.
• 这种方法可以促进早期识别血管风险,并改善患者的治疗结果.