开发和验证人工智能算法,以基于扩散模型生成基于视网膜成像的现实和有意义的反事实

科学领域:

• 医学成像人工智能 医学成像人工智能
• 眼科人工智能 眼科人工智能
• 计算机视觉在医学中的应用

背景情况:

• 反事实推理在临床环境中至关重要,特别是在眼科等基于图像的专业领域.
• 人工智能生成的反事实医学图像可以通过可视化假设情景来增强临床医生的培训和患者教育.

研究的目的:

• 开发一种能够生成现实的反事实视网膜图像 (基金摄影和OCT) 的AI模型.
• 为了说明潜在的疾病状态或视网膜图像的变化,以回答"如果"问题.

主要方法:

• 在大规模视网膜图像数据集 (CFP和OCT) 上训练有素的分类器用于疾病分类.
• 开发了一种无条件扩散模型,以生成多种视网膜图像,包括那些有病变的图像.
• 结合扩散模型与分类器指导,以产生现实的反事实图像,保持视网膜结构.

主要成果:

• 人工智能通过添加或删除疾病特征成功生成了反事实.
• 生成的色底摄影 (CFP) 图像与真实图像无法区分,并且具有临床相关性.
• 生成的光学连贯性断层扫描 (OCT) 图像是现实的,但专家可以识别出高于偶然的准确性.

结论:

• 将扩散模型与分类器指导相结合,有效地为像CFP这样的高分辨率医疗图像创建现实的和有意义的反事实.
• 产生的反事实图像有可能用于医疗专业培训和眼科患者教育.