一个基于混合变压器的卷积神经网络模型,用于在基于Scheimpflug的动态角膜变形视频中检测角质
Hazem Abdelmotaal1, Rossen Mihaylov Hazarbasanov2,3, Ramin Salouti4
1Department of Ophthalmology, Assiut University, Assiut, Egypt.
Journal of ophthalmic & vision research
|July 21, 2025
概括
一种新的混合变压器-CNN模型从动态角膜变形视频 (DCDV) 中准确地检测出角膜. 这种人工智能工具显示出高灵敏度和特异性,为诊断这种眼睛疾病的临床使用提供了潜力.
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:
- 角膜是一种影响角膜形状的渐进性眼睛疾病.
- 准确和早期发现角是有效管理的关键.
- 动态角膜变形视频 (DCDV) 为角膜分析提供了丰富的数据.
研究的目的:
- 评估基于混合变压器的卷积神经网络 (CNN) 模型,用于自动检测角.
- 用独立的基于 Scheimpflug 的 DCDV 来评估模型的性能.
- 确定AI在诊断角瘤方面的临床实用性.
主要方法:
- 利用转移学习从DCDV中提取特征.
- 整合了自我注意机制,以捕捉功能地图中的远程依赖关系.
- 机密的DCDV可以直接识别角.
- 在两个独立的队列 (275名和546名受试者) 上验证了模型性能.
主要成果:
- 在检测角瘤中获得了93%的灵敏度和84%的特异性.
- 在外部验证数据上获得了0.97的曲线下的面积 (AUC) 对于状的概率得分.
- 在区分正常角膜和角质膜角膜方面表现出很高的准确性.
结论:
- 混合变压器-CNN模型表现出高灵敏度和特异性用于使用DCDVs检测角.
- 该模型的表现表明其在临床实践中整合的巨大潜力.
- 对DCDV的AI驱动分析可以增强角瘤的诊断能力.
