使用光学相干断层学对中央和非中央地理缩的多类分类

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 地理缩 (GA) 是一种与年龄相关的黄斑变性 (AMD) 的高级形式,导致不可逆转的视力丧失.
• 准确地对GA亚型进行分类对于了解疾病进展和开发向治疗至关重要.
• 光学连贯断层扫描 (OCT) 是可视化视网膜结构和诊断黄斑疾病的关键成像方式.

研究的目的:

• 开发和验证深度学习 (DL) 模型,使用光学相干断层扫描 (OCT) 来分类地理缩 (GA) 亚型.
• 在四个临床分类任务中评估不同DL架构 (ResNet50,MobileNetV2,Vision Transformer) 的性能.
• 评估两种实验方法 (使用所有B扫描与选择性叶B扫描) 对模型准确性的影响.

主要方法:

• 一项回顾性研究使用了来自104名患者的455个OCT卷,包括中央GA (CGA),非中央GA (NCGA) 和没有GA (NGA) 病例.
• 实现ResNet50,MobileNetV2和Vision Transformer (ViT-B/16) 架构,并使用转移学习和数据增强.
• 用患者级数据分割 (70:15:15) 训练和测试模型,用AUC-ROC和准确度指标评估性能.

主要成果:

• 视觉变压器 (ViT-B/16) 在所有分类任务中始终超过其他架构.
• 使用选择性B扫描,ViT-B/16在区分GA亚型 (例如,CGA与NCGA:AUC-ROC 0.728,准确率0.831) 和GA与NGA (AUC-ROC 0.950,准确率0.873) 中实现了高准确度.
• 所有模型都在区分GA与其他形式的AMD方面表现出色 (AUC-ROC> 0.998).

结论:

• 深度学习模型,特别是ViT-B/16,可以成功地从OCT扫描中分类GA亚型,并具有临床相关的准确性.
• ViT-B/16架构的优点在于它能够捕捉空间关系,提高诊断准确度.
• 使用含有状区域的选择性B扫描可提高诊断准确度,同时减少计算负载,与临床工作流程保持一致.