对使用面部照片检测甲状腺眼病的深度学习架构进行比较分析
Amirhossein Aghajani1, Mohammad Taher Rajabi1, Seyed Mohsen Rafizadeh1
1Department of Oculo-Facial Plastic and Reconstructive Surgery, Farabi Eye Hospital, Tehran University of Medical Sciences, Qazvin Square, Tehran, Iran.
BMC ophthalmology
|April 1, 2025
概括
人工智能 (AI) 模型ResNet-50和ResNet-101显示出使用面部照片查甲状腺眼病 (TED) 的前景. 这些人工智能模型在区分TED和健康个体方面表现出可接受的准确性.
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:
- 甲状腺眼部疾病 (TED) 是一种影响轨道的自身免疫性疾病.
- 早期检测和查对于管理TED和预防视力损失至关重要.
- 面部照片为潜在的TED查提供了一种非侵入性的方法.
研究的目的:
- 为了比较两个深度学习模型ResNet-50和ResNet-101的性能,用于使用正面面部照片选TED.
- 在模拟的临床条件下评估这些AI模型的有效性.
主要方法:
- 使用了1601张面部照片的数据集,包括TED患者和健康对照.
- 在不同的数据子集上,ResNet-50和ResNet-101模型进行了训练,验证和测试.
- 人工智能模型的性能使用AUC,精度,灵敏度和特异性等指标进行评估,并与人类专家的性能进行比较.
主要成果:
- 在测试组验证中,ResNet-50的AUC值为0.94,ResNet-101的AUC值为0.93.
- 在临床条件下,ResNet-50显示AUC为0.82,ResNet-101达到0.91.
- 两种模型都在区分TED患者和健康受试者方面表现出可接受的准确性,灵敏性和特异性,两种模型之间没有显著差异.
结论:
- 使用ResNet-50和ResNet-101人工智能模型进行面部图像分析,为查甲状腺眼病提供了一种可行的方法.
- 这些人工智能模型展示了可接受的绩效指标,以区分TED与健康个体.
- 在现实世界的临床环境中进一步验证是有必要的,以充分整合这些AI工具到诊断途径.
