相关实验视频
Updated: Sep 18, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.8K
一项多中心研究检查了基于深度学习的计算机模型,用于使用视网膜血管图像对双相情感障碍进行分类
Vaishak Harish1, Anantha Padmanabha2, Abhishek Appaji1
1B.M.S. College of Engineering, Bengaluru, India.
Journal of affective disorders
|June 24, 2025
概括
对视网膜图像的深度学习分析准确地将双相情感障碍患者与健康个体区分开来. 这种新的方法对精神病学中的临床诊断工具有希望.
科学领域:
- 眼科和精神病学 眼科和精神病学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 视网膜充当"进入大脑的窗口",血管异常与双相情感障碍 (BD) 有关.
- 深度学习 (DL) 提供了先进的计算方法来分析医疗图像,包括视网膜血管.
- 以前的研究没有使用DL来使用视网膜血管图像来分类双极性障碍.
研究的目的:
- 通过使用视网膜底图像,研究深度学习模型在分类双相情感障碍 (BD) 患者与健康志愿者 (HV) 中的有效性.
- 在独立的测试数据集上评估开发模型的转移学习能力.
主要方法:
- 研究了一组383名参与者 (188名BD,195名HV),数据分为培训 (327) 和测试 (56) 组.
- 视网膜底部图像是使用非脑膜底部摄像机拍摄的.
- 训练了一个优化的卷积神经网络 (CNN) 模型,并评估了其转移学习性能.
主要成果:
- 在训练数据集上,CNN模型表现出高性能:88.0%的灵敏度,85.7%的特异性.
- 在独立测试数据集上,该模型实现了85.7%的准确性,83.3%的灵敏度和92.9%的特异性.
- 均衡的模型参数和测试组的强性能表明了强度.
结论:
- 开发的CNN模型有效地区分了双相情感障碍患者和健康个体.
- 这项研究强调了用于精神病诊断的视网膜图像深度学习分析的潜在临床实用性.
- 在独立测试数据集中成功复制支持模型的转移学习能力.
