通过使用深度学习的超广场图像识别形态模式来诊断病态近视
Yang Liu1, Keming Zhao1,2, Lihui Luo1
1Institute of Biopharmaceutics and Health Engineering, Tsinghua Shenzhen International Graduate School, Shenzhen, China.
NPJ digital medicine
|July 13, 2025
概括
本研究介绍了RealMNet,这是一种轻量级的人工智能框架,用于使用超广场图像诊断病态近视. 它可以准确地识别后部葡萄瘤和近视性黄斑病,改善视力障碍的临床解释性.
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:
- 病态近视是视力丧失的主要原因.
- 目前用于近视检测的深度学习方法缺乏临床解释性.
- 超广场 (UWF) 成像为诊断近视相关并发症提供了视网膜的更广泛视图.
研究的目的:
- 开发一种可解释的AI模型,用于诊断病态近视.
- 为了识别特定的形态模式,如后部葡萄瘤和近视性黄斑病.
- 为了利用UWF图像增强诊断能力.
主要方法:
- 策划了一个大规模的,多来源的UWF近视数据集 (PSMM).
- 推出了RealMNet,一个端到端的轻量级深度学习框架 (2100万个参数).
- 在三个实验协议中评估了RealMNet的性能.
主要成果:
- RealMNet实现了高诊断准确度:F1评分为0.7970,mAP为0.8497,AUROC为0.9745.0 的结果是可以实现的.
- 在不同的测试条件下证明了稳定性和通用性.
- 该型号的轻量级设计有助于在医疗设备上部署.
结论:
- 使用UWF图像,RealMNet有效地识别了病态近视的关键形态模式.
- 与现有方法相比,该框架提供了更好的临床解释性.
- 在诊断和管理由于近视的视力障碍方面,RealMNet对临床应用具有显著的希望.
