一种人工智能方法用于OCT衍生厚度图的表型化,使用无监督和自我监督的深度学习
Saber Kazeminasab1, Sayuri Sekimitsu2, Mojtaba Fazli3
1Harvard Ophthalmology AI Lab, Schepens Eye Research Institute of Massachusetts Eye and Ear, Harvard Medical School, Harvard University, Boston, MA, USA. skazeminasabhashemabad@meei.harvard.edu.
Journal of imaging informatics in medicine
|May 20, 2025
概括
人工智能 (AI) 通过分析光学连贯断层扫描 (OCT) 图像来推进眼科疾病研究. 一种新的人工智能方法成功地将OCT表型跨数据集转移,识别出临床上有意义的视网膜层集群,用于青光眼研究.
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:
- 了解眼科疾病的生理学和遗传学至关重要.
- 光学连贯断层扫描 (OCT) 提供了详细的视网膜成像.
- 开发用于跨数据集分析OCT数据的方法具有挑战性.
研究的目的:
- 提高对眼科疾病生理学和遗传结构的理解.
- 引入一种新的AI方法,用于在数据集中转移OCT表型.
- 为了表型和集群OCT衍生的视网膜层厚度,使用绿眼作为模型.
主要方法:
- 采用无监督和自我监督的学习技术.
- 集成深度学习,多元学习和高斯混合模型.
- 将该方法应用于两个大型数据集:马萨诸塞眼和耳 (MEE) 和英国生物银行 (UKBB).
主要成果:
- 确定了9到11个临床上有意义的表型集群,每个视网膜层,在数据集中一致.
- 显示出强烈的集群内部相似性和与眼严重性标志物 (视野平均偏差,杯与盘比) 的显著相关性.
- 在各种数据集中验证了模型的稳定性和通用性.
结论:
- 开发的AI方法使得基于OCT的可靠的表型和表型转移成为可能.
- 这种方法促进了眼科疾病机制和遗传发现的翻译研究.
- 这些发现为改善眼睛疾病的理解和诊断铺平了道路.


