使用深度学习来选高血压的OCTA图像,以减少严重并发症的风险
Yiheng Ding1, Ziqiang Wei2, Chaoyun Wang2
1Eye Hospital, The First Affiliated Hospital of Harbin Medical University, Harbin, China.
Frontiers in cell and developmental biology
|July 24, 2025
概括
深度学习模型有效地分析光学连贯断层扫描血管学 (OCTA) 图像,以检测眼睛微血管结构中与高血压相关的变化. 这项技术有助于早期高血压查和降低并发症风险.
科学领域:
- 眼科医生 眼科 眼科
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 高血压是一种普遍的全球性疾病,导致全身血管病变.
- 眼科血管提供了一个独特的,非侵入性的窗口,以实体观察血管变化.
- 检测高血压引起的血管损伤的早期迹象对于患者的治疗结果至关重要.
研究的目的:
- 用深度学习研究高血压患者的眼睛微血管变化.
- 评估深度学习模型在分析高血压检测的光学连贯性断层扫描血管图像 (OCTA) 中的有效性.
主要方法:
- 利用深度学习模型,特别是Xception卷积神经网络和多Swin变压器.
- 在422张来自136名高血压患者和85名健康对照者的OCTA图像上训练和测试模型.
- 使用高维特征角度和类激活映射分析图像可分离性,以实现模型可解释性.
主要成果:
- 通过5倍交叉验证,Xception模型通过5倍交叉验证实现了平均准确度76.05%和灵敏度85.52%.
- 斯温变压器表现出卓越的性能,平均准确度为82.25% (黄斑),74.94% (光盘) 和85.06% (多式联络).
- 基于OCTA图像特征,深度学习模型有效地区分高血压和健康受试者.
结论:
- 对OCTA图像的深度学习分析提供了一个准确而有效的方法来检测高血压引起的 fundus 血管变化.
- 这种方法具有改善高血压查和减轻严重并发症风险的巨大潜力.
- 进一步的研究可以完善这些AI模型,以便在心血管健康监测中更广泛地临床应用.
