一种基于深度学习的混合方法用于视觉现场测试预测
Ashkan Abbasi1, Sowjanya Gowrisankaran1, Wei-Chun Lin1
1Department of Ophthalmology, Casey Eye Institute, Oregon Health & Science University, Portland, Oregon.
Ophthalmology science
|June 16, 2025
概括
一个新的混合深度学习模型,Hybrid-VF-Net,改善了视野 (VF) 预测在眼病管理. 它为数据问题提供了更高的准确性和弹性,减少了对众多先前测试的需求.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 纵向视野 (VF) 评估对于绿眼的管理至关重要.
- 传统的VF预测需要大量的历史数据.
- 深度学习显示了更高效的VF预测的前景.
研究的目的:
- 引入和评估一个新的混合深度学习框架,Hybrid-VF-Net,用于增强的VF测试预测.
- 提高VF预测模型的灵活性和准确性.
- 评估数据可靠性和疾病严重程度对预测性能的影响.
主要方法:
- 一个回顾性的纵向研究,利用深度学习模型进行虚拟财富预测.
- 训练并比较了三个模型:RNN,CascadeNet-5 (CNN) 和混合VF-Net (RNN + CNN与变压器).
- 通过平均绝对误差和分析数据数量,可靠性和疾病严重程度等因素来评估性能.
主要成果:
- 拟议的混合VF网络在VF预测准确性和稳定性方面优于现有的深度学习方法.
- 混合VF-Net在数据可靠性问题上表现出弹性,特别是在严重的青光眼病例中.
- 较少的先前VF测试观察到性能改善,缩短了分析时间.
结论:
- 混合VF-Net代表了基于深度学习的VF预测眼的重大进步.
- 预测性能受疾病严重程度,数据质量和时间因素的影响.
- 未来的工作应该集中在完善时间建模和利用更大的数据集,以进一步提高预测能力.
