相关实验视频
Updated: May 10, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.8K
一个深度学习模型用于诊断遗传性视网膜疾病
Freshteh Jafarbeglou1, Hamid Ahmadieh2, Farnaz Soleimani1
1School of Mechanical Engineering, College of Engineering, University of Tehran, Tehran, Iran.
Scientific reports
|July 2, 2025
概括
一种深度学习模型有效地检测可遗传的视网膜疾病 (IRD),如视网膜色素炎和Stargardt病. 在多输入网络中结合彩色底部摄影和红外图像,诊断准确度提高到96.3%.
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:
- 遗传性视网膜疾病 (IRD) 包含一组影响视网膜功能的遗传特异性疾病.
- 早期和准确的IRD诊断,如视网膜色素炎 (RP) 和Stargardt病 (STGD) 对于患者的管理和潜在的治疗干预至关重要.
- 当前的诊断方法可能耗时,并且可能从先进的计算方法中受益.
研究的目的:
- 评估用于检测RP和STGD的多输入深度学习 (DL) 模型的诊断性能.
- 为了区分这些IRD与健康的眼睛,使用DL.
- 为了比较使用不同成像方式的单输入与多输入DL模型的有效性.
主要方法:
- 一项涉及391名参与者的横截面研究:158名RP,62名STGD和171名健康对照.
- 单输入MobileNetV2网络的开发和测试,用于分别进行彩色底部摄影 (CFP) 和红外 (IR) 图像.
- 实现一个多输入的MobileNetV2网络,同时集成CFP和IR图像数据.
主要成果:
- 单输入的MobileNetV2模型仅使用CFP或IR图像就实现了94.44%的准确性.
- 多输入的MobileNetV2网络表现出卓越的性能,达到96.3%的诊断准确率.
- 深度学习模型在IRD检测方面表现出高效,多输入架构提高了整体性能.
结论:
- 深度学习模型,特别是多输入网络,在准确检测和区分常见的IRD方面显示出重大前景.
- 将多种成像模式 (CFP和IR) 集成到单个DL模型中,可以提高遗传性视网膜疾病的诊断准确性.
- 这种方法为RP和STGD的客观和有效诊断提供了潜在的进步.
