OculusNet:使用定制的网络部署的神经网络和突出地图来检测视网膜疾病,以解释AI
Muhammad Umair1, Jawad Ahmad2, Oumaima Saidani3
1Faculty of Engineering, Multimedia University, Cyberjaya, Malaysia.
Frontiers in medicine
|July 17, 2025
概括
作为一种深度学习模型的OculusNet,可以通过光学连贯断层扫描 (OCT) 图像准确地检测视网膜疾病. 这种可解释的AI方法提高了眼科诊断的效率和准确性.
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:
- 视网膜疾病是全球失明的主要原因之一.
- 手动解释光学连贯断层扫描 (OCT) 图像是劳动密集型的,需要专门的专业知识.
- 早期发现视网膜疾病对于有效治疗至关重要.
研究的目的:
- 引入OculusNet,一个高效和可解释的深度学习 (DL) 模型,用于使用OCT图像检测视网膜疾病.
- 提高眼科诊断的准确性和效率.
- 为检测视网膜疾病提供一个可访问的工具.
主要方法:
- 开发了OculusNet,这是一个针对OCT复杂图像模式的深度学习模型.
- 利用突出地图可视化 (可解释AI - XAI) 来实现模型的可解释性.
- 通过使用转移学习来比较OculusNet与预先训练的模型 (VGG19,MobileNetV2,VGG16,DenseNet-121).
- 在一个网页界面上部署模型,以使用户可访问.
主要成果:
- 目前,OculusNet的测试准确率为95.48%,验证准确率为98.59%.
- 该模型的表现优于所有与之相比的预训练模型.
- 马修斯相关系数和科恩的卡帕系数验证了该模型的可靠性和临床使用的概括性.
结论:
- 从OCT图像中检测视网膜疾病时,OculusNet表现出高精度和效率.
- 可解释的人工智能组件增强了对诊断过程的信任和理解.
- 基于Web的部署提供了广泛融入临床环境的潜力,改善了患者护理.
