没有代码的深度学习 青光眼在彩色底部图像上的检测

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:

• 无代码深度学习 (CFDL) 使得没有编码专业知识的临床医生能够开发AI模型.
• 通过 fundus 图像检测青光眼对于早期干预和视力保护至关重要.
• 对专家设计的模型进行CFDL性能评估对于临床采用至关重要.

研究的目的:

• 评估CFDL在从 fundus图像中检测青光眼的性能.
• 为了比较CFDL模型的性能与已建立的专家设计的深度学习模型.
• 在外部数据集上验证CFDL模型的有效性.

主要方法:

• 眼科实习生开发了一个CFDL二进制分类模型,使用来自鹿特丹EyePACS AIROGS数据集的101,442个标记的眼底图像.
• 该CFDL模型被训练来区分青光眼和正常的视神经.
• 外部验证使用REFUGE和GAMMA数据集在不同的置信值进行.

主要成果:

• CFDL模型实现了高性能指标,包括0.988的精度回忆曲线下的面积 (AuPRC),95%的灵敏度在95%的特异性 (SE@95SP) 和91%的准确性.
• 性能与定制深度学习模型相当,SE@95SP为95%,而最高定制模型为85%.
• 对REFUGE和GAMMA数据集的外部验证显示出强大的性能,SE@95SP在83%至98%之间,接收器操作曲线下的面积 (AUC) 高达0.994.

结论:

• CFDL模型显示了使用底图像进行青光眼查的巨大潜力,为传统方法提供了可行的替代方案.
• 这项研究为CFDL在医学图像分析中提供了令人信服的概念证明.
• CFDL使临床医生能够创新和开发定制的AI解决方案,用于广泛的青光眼查.