相关实验视频
Updated: Jul 7, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.8K
公平的深度学习用于糖尿病视网膜病变检测,使用多维视网膜成像与公平的自适应缩放
Min Shi1, Muhammad Muneeb Afzal2, Hao Huang2
1Harvard Ophthalmology AI Lab, Schepens Eye Research Institute of Massachusetts Eye and Ear, Harvard Medical School, Boston, MA, USA.
Translational vision science & technology
|July 1, 2025
概括
本研究引入了公平适应缩放 (FAS) 模块,以提高糖尿病视网膜病变检测中的深度学习公平性. FAS模块在不同患者群体中提高了准确性和公平性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 眼科医生 眼科 眼科
背景情况:
- 深度学习模型越来越多地用于糖尿病视网膜病变 (DR) 检测.
- 现有的模型可能会在不同的人口群体之间显示性能差异.
- 确保人工智能驱动的医学诊断中的公平和公平是至关重要的.
研究的目的:
- 评估当前用于DR检测的深度学习模型的公平性.
- 开发和引入一个公平的深度学习模型,以减轻绩效差距.
- 提高DR检测系统的整体准确性和公平性.
主要方法:
- 深度学习模型的性能和公平性被使用 fundus 图像和 OCT B 扫描来评估.
- 一个新的公平适应性扩展 (FAS) 模块被开发来解决群体差异.
- 接受器运行特征曲线 (AUC) 下的面积和股权规模的AUC被用于评估.
主要成果:
- 在基金图像上,FAS与EfficientNet的整合改善了整体AUC和股权规模的AUC,亚洲人和白人人口按种族以及性别获得了显著的收益.
- 在OCT B扫描中,FAS与DenseNet121增强了AUC和股权规模的AUC,显示亚裔和黑人人口的种族以及两性改善.
- FAS模块在不同的人口群体的模型性能和公平性方面都显示出了统计学上显著的改善.
结论:
- 对于DR检测的深度学习模型可以在不同的人口群体中显示性能变化.
- 公平适应缩放 (FAS) 模块有效地提高了用于DR检测的深度学习模型的准确性和公平性.
- 提出的公平的深度学习模型显示了提高DR检测性能和公平性的潜力.
