比较无代码平台和深度学习模型用于从 Fundus 图像中检测 DrDeramus
Mauro Gobira1, Luis F Nakayama2, Caio Vinicius S Regatieri2
1Ophthalmology, Vision Institute - Instituto Paulista de Estudos e Pesquisas em Oftalmologia (IPEPO), São Paulo, BRA.
Cureus
|April 24, 2025
概括
像Create ML和Teachable Machine这样的无代码人工智能平台在从 fundus 图像分类眼方面表现出强的表现,尽管ResNet200d仍然优越. 这些工具使医疗保健中的AI民主化.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 青光眼的诊断依赖于解释视神经底部图像.
- 传统的深度学习模型需要大量的专业知识和计算资源.
- 无代码机器学习平台为医疗应用提供了可访问的AI开发.
研究的目的:
- 将谷歌的Teachable Machine (TM) 和果的Create ML的诊断性能与传统的ResNet200d模型进行比较.
- 通过使用ACRIMA数据集,评估无代码平台在视神经底部图像上对光病的分类中的有效性.
主要方法:
- 从ACRIMA数据集中对705个标记的 fundus 图像进行了比较分析.
- 训练和验证可教机器,创建ML和ResNet200d模型.
- 评估性能指标,包括灵敏度,特异性和F1分数.
主要成果:
- ResNet200d实现了最高的精度 (99.29%),灵敏度 (98.57%) 和特异性 (100%).
- 创建ML显示高特异性 (98.48%) 和F1得分为95.83%.
- 可教机器显示出更高的灵敏度 (95.71%),F1得分为95.04%.
结论:
- 没有代码的平台,创建ML和TM,在 fundus 图像中表现出强大的玻璃眼瘤检测能力.
- 虽然ResNet200d提供了卓越的诊断准确性,但无代码工具使人工智能在医疗保健中民主化,特别是在资源有限的环境中.
- 建议对各种数据集进行进一步验证,以确认这些可访问的AI工具的潜力.
