将自动机器学习与专家设计的模型进行比较,用于诊断瘤界面障碍

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:

• 玻璃瘤接口 (VMI) 障碍显著影响视力,需要精确的分类.
• 准确诊断VMI疾病对于有效的患者管理至关重要.
• 光学连贯断层扫描 (OCT) 是VMI评估的关键成像方式.

研究的目的:

• 将自定义深度学习 (DL) 模型的诊断性能与自动机器学习 (AutoML) 模型进行比较.
• 评估这些人工智能模型在使用OCT图像对各种VMI疾病的分类方面的有效性.
• 在临床环境中确定专家设计的AI与自动化AI的优越性.

主要方法:

• 一个平衡的OCT图像数据集被策划,包括正常病例和五个VMI障碍类别:表皮膜 (ERM),异常全厚黄斑孔 (FTMH),状黄斑孔 (LMH) 和玻璃引力 (VMT).
• 一个专家设计的DL模型集成ResNet-50和EfficientNet-B0架构与蒙特卡洛交叉验证.
• 在Google Vertex AI上实现了一个无代码的AutoML模型,用于自动化数据处理,模型选择和超参数调整.

主要成果:

• 专家设计的DL模型实现了95.97%的平衡精度和94.65%的MCC,在分类FTMH,ERM和LMH方面表现优于AutoML.
• 两种模型都表现出完美的精度和回忆正常的OCT图像.
• 自动ML在VMT检测方面表现强 (99.5%的精度),但在LMH分类方面落后 (72.3%的精度).

结论:

• 与当前的AutoML平台相比,专家设计的深度学习模型在特定的玻璃瘤界面障碍分类方面表现出卓越的准确性.
• 虽然AutoML为医疗保健专业人员提供了可访问性,但需要进一步的进展,以匹配专家驱动的AI性能在临床OCT图像分析中.
• 这些发现突出了定制AI解决方案的潜力,以提高视网膜疾病的诊断准确度.