开发和评估一个深度学习系统,用于选现实世界的多重异常发现,基于超广场基底图像
Haodong Xiao1, Lie Ju2,3, Zupeng Lu4
1Department of Ophthalmology, Xinhua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Frontiers in medicine
|June 18, 2025
概括
一个新的深度学习系统有效地选超广场 fundus 图像中的多个视网膜异常. 一个人工物移除模块显著提高了病变检测性能,这对现实世界的应用非常有益.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 超广场 (UWF) 底部成像对于检测视网膜疾病至关重要.
- 自动查系统可以提高诊断效率.
- 分析现实世界UWF图像存在挑战,原因是文物.
研究的目的:
- 开发和评估一个深度学习 (DL) 系统,用于选UWF fundus图像中的多个异常发现.
- 该系统旨在检测出血,,硬排泄物,棉花斑点和视网膜断裂.
- 评估文物清除模块对DL系统性能的影响.
主要方法:
- 开发了一个由三个模块组成的DL系统:质量评估,文物移除和病变识别.
- 病变识别模块生成热图来突出异常.
- 该系统在4,521张图像上进行了训练和验证,并在两个外部数据集 (344张和894张图像) 上进行了测试.
主要成果:
- 与原始图像相比,DL系统在工件移除模块处理的图像上表现更好.
- 工件移除预处理改善了五种损伤的识别性能,平均为6.73%和14.4%的AUC.
- 在外部验证数据集中,删除文物后的精度改进为14.47%和19.62%.
结论:
- 开发的DL系统在现实世界UWF图像中检测多个异常发现 (MAF) 时表现出可靠的性能.
- 文物移除模块是提高DL系统在分析临床图像中的性能的一个有价值的组件.
- 该系统有望改善视网膜疾病的自动查.
