转移学习和基于多功能融合的深度学习模型用于异常性黄斑孔诊断和光学一致性断层图像的分级
Ye-Ting Lin1, Xu Xiong1, Ying-Ping Zheng2
1Department of Ophthalmology, The First Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, Jiangxi, People's Republic of China.
Clinical ophthalmology (Auckland, N.Z.)
|May 21, 2025
概括
一个新的深度学习系统有效地使用OCT图像诊断和评分异常性黄斑洞 (IMH). 这种人工智能方法提高了诊断效率,并预测了手术风险,为眼科提供了一个有前途的工具.
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:
- 异常性黄斑孔 (IMH) 显著损害视力和风险失明.
- 光学一致性断层扫描 (OCT) 是IMH诊断的黄金标准,但需要专家的解释.
- 人工智能为高效和可访问的IMH诊断提供了一个解决方案.
研究的目的:
- 评估IMH诊断,分级和预测的深度学习系统.
- 使用OCT图像开发和评估用于IMH检测的AI模型.
- 探索AI在改善IMH临床工作流程方面的潜力.
主要方法:
- 一项回顾性研究分析了来自IMH患者的双眼OCT图像.
- 开发了包括传统omics,Resnet101在内的深度学习模型,以及与转移学习的融合模型.
- 使用精度和AUC评估模型性能;用于预测外科手术风险的后勤回归和名图.
主要成果:
- 融合和Resnet101模型实现了高精度 (分别为95%和94%的训练).
- 融合模型在测试组中表现出卓越的性能.
- 一个名图预测了C指数为0.996的手术风险,确定斑点孔直径是关键因素.
结论:
- 深度学习系统,特别是转移学习和多特征融合,对于IMH诊断和OCT图像的分级是有效的.
- 人工智能集成可以提高眼科的诊断效率和准确性.
- 需要进一步的临床试验来验证这些AI模型.
