深度学习方法很容易区分乳头,非关节炎前面缺血性视神经病变和健康的眼睛
David Szanto1, Asala Erekat1, Brian Woods2
1From the Department of Ophthalmology, Icahn School of Medicine at Mount Sinai, New York, USA (D.S., A.E., M.J.K.).
American journal of ophthalmology
|April 12, 2025
概括
一个深度学习模型准确地区分了异常性内高血压 (IIH) 和非动脉炎前部缺血性视神经病变 (NAION) 的 fundus 照片与健康的眼睛. 这种人工智能工具显示了神经眼科评估的潜力,特别是在专家稀缺的地方.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 深度学习 (DL) 模型越来越多地用于诊断各种眼科疾病.
- 从临床上看,区分获得的视觉盘胀与异常性内高血压 (IIH) 和非动脉炎前部缺血性视觉神经病变 (NAION) 是具有意义的.
- 准确区分这些情况与健康的眼睛对于及时干预和患者管理至关重要.
研究的目的:
- 开发和验证DL算法,以区分IIH,NAION和健康眼睛的眼底图像.
- 评估DL模型的诊断性能,使用大量,多样化的数据集.
- 探索模型识别每个条件的关键视觉特征的能力.
主要方法:
- 一个ResNet-50 DL模型在5,866只眼睛 (IIH,NAION,健康) 的15088张 fundus图像上进行了微调.
- 使用5倍交叉验证和外部验证来评估性能,使用准确性,AUC-ROC,精度,回忆和F1分数等指标.
- 使用梯度加权类激活映射 (Grad-CAM) 来可视化 fundus 图像中的感兴趣区域.
主要成果:
- DL模型实现了高的内部验证准确性 (96.2%) 和宏观平均AUC-ROC (0.995).
- 外部验证证明了强大的性能,准确率为93.6%,宏观平均AUC-ROC为0.980.
- 激活地图突出显示了特定的光盘区域:对于IIH来说较差,对于NAION来说较好,对于健康的眼睛来说是概括的.
结论:
- 基于眼底的DL模型可以准确地区分IIH,NAION和健康的眼睛.
- 开发的模型显示了作为神经眼科评估的有价值工具的巨大潜力.
- 这种人工智能驱动的方法可以提高诊断能力,特别是在资源有限的环境中.
