开发和验证一种深度学习模型,用于通过体内共聚焦显微镜诊断神经性角膜疼痛
Neslihan Dilruba Koseoglu1, Eric Chen2, Rudraksh Tuwani3
1Center for Translational Ocular Immunology and Cornea Service, New England Eye Center, Department of Ophthalmology, Tufts Medical Center, Tufts University School of Medicine, Boston, MA, USA.
NPJ digital medicine
|May 14, 2025
概括
一个新的深度学习系统通过检测角膜图像中的微神经瘤,有效地选神经病性角膜疼痛 (NCP). 这种人工智能工具提供了一种可靠和有效的方法来诊断这种慢性眼部疼痛状况.
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:
- 神经性角膜疼痛 (NCP) 是一种使人衰弱的眼部疾病,其特征是角膜神经过敏和异常的视觉.
- 通过体内共聚焦显微镜 (IVCM) 识别的微神经瘤是NCP的新兴生物标志物,但目前的检测方法耗时且容易出现错误.
- 对于NCP诊断的IVCM的临床实用性受到其可访问性和人工分析的劳动密集性限制.
研究的目的:
- 开发和验证一种基于深度学习的新型系统,用于在角膜图像中自动检测微神经瘤.
- 提高神经性角膜疼痛 (NCP) 查的效率和准确性.
- 为可靠的临床决策提供一个不确定性量化机制.
主要方法:
- 在一个大型的多站点数据集上训练了一种深度学习模型,其中包括103,168个体内共聚焦显微镜 (IVCM) 图像.
- 该模型旨在检测微神经瘤,这是神经性角膜疼痛 (NCP) 的关键指标.
- 该系统包含了一个不确定性量化功能,以评估预测可靠性.
主要成果:
- 深度学习模型在检测微神经瘤方面表现出很高的准确性,在接收器操作特征曲线 (AuROC) 下的面积为0.97.
- 该模型表现出强大的概括能力,在来自独立机构的数据上表现良好,AuROC为0.90.
- 不确定性量化机制有效地传达了模型预测的可靠性.
结论:
- 开发的深度学习系统提供了一种非常准确和有效的方法,通过微神经瘤检测来选神经病性角膜疼痛 (NCP).
- 该模型对概括和提供不确定性估计的能力提高了其临床相关性和广泛采用潜力.
- 这种人工智能驱动的方法代表了慢性眼部疼痛疾病的诊断和管理的重大进步.
