用深度学习模型评估梅博米腺功能障碍,考虑不同的数据集和腺体形态
Nilufer Yesilirmak1, Volkan Okbay2, Yener Yesilirmak3
1Department of Ophthalmology, Ankara Yildirim Beyazit University, Ankara, Turkey; Department of Ophthalmology, Ankara Bilkent City Hospital, Ankara, Turkey.
Computers in biology and medicine
|June 29, 2025
概括
一个新的深度学习模型自动化了meibomian腺功能障碍 (MGD) 从meibography图像中得分,提高了蒸发性干眼疾病 (DED) 的诊断效率和一致性. 这种AI方法整合了图像特征和腺体属性,以准确地预测meiboscore.
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:
- 梅博米腺功能障碍 (MGD) 是蒸发性干眼病 (DED) 的主要原因.
- 目前的诊断依赖于手动分级的meibography图像,这是主观和耗时的.
- 需要自动化方法来提高MGD评估的效率和客观性.
研究的目的:
- 开发和验证用于自动化meiboscore预测的深度学习 (DL) 框架.
- 整合图像嵌入与梅博姆腺 (MG) 属性,以提高预测准确度.
- 评估模型在各种数据集上的表现及其与临床DED指标的相关性.
主要方法:
- 开发了一个DL模型,将图像嵌入与MG属性 (面积,长度,厚度,曲率) 结合起来.
- 该模型在两个数据集上进行了训练和测试:一个内部数据集 (BCH) 和一个开源数据集 (MGD-1K).
- 用4级和5级meiboscore分类的准确度指标评估性能,并进行混合数据集验证.
主要成果:
- 在BCH数据集上,DL模型在5级Meiboscore分类中达到77.86%的准确性,在4级Meiboscore分类中达到81.08%.
- 在MGD-1K数据集 (78.03%用于5级分类) 上也观察到类似的准确性.
- 该模型在不同的成像设备和数据集中表现出强大的性能,显示了MG参数和TBUT,Schirmer和OSDI等临床测试之间的显著相关性.
结论:
- 深度学习为MGD的自动化和客观的meiboscore评估提供了一个有希望的方法.
- 拟议的框架提高了诊断效率和一致性,潜在地改善了DED患者的患者护理.
- 自动分析的meibography数据可以提供有价值的见解DED病理生理学和治疗反应.
