从视网膜图像进行慢性病查和常见病理类型识别的非侵入性模型
Qianni Wu1, Jianbo Li2,3, Lanqin Zhao1
1State Key Laboratory of Ophthalmology, Zhongshan Ophthalmic Center, Sun Yat-sen University, Guangdong Provincial Key Laboratory of Ophthalmology and Vision Science, Guangdong Provincial Clinical Research Center for Ocular Diseases, Guangzhou, China.
Nature communications
|July 29, 2025
概括
一种新的非侵入性模型,智能诊断系统 (KIDS),使用视网膜图像来预测慢性病 (CKD) 和其病理学. 这种人工智能工具的准确性很高,有可能改善无法进行活检的患者的CKD管理.
科学领域:
- 眼科医生 眼科 眼科
- 腎臟病學 (nephrology) 是一種醫學.
- 人工智能的人工智能
背景情况:
- 慢性病 (CKD) 构成了全球健康负担.
- 脏活检是CKD诊断的标准,具有侵入性,并且通常在临床上受到限制.
研究的目的:
- 开发一种非侵入性模型,即脏智能诊断系统 (KIDS),用于使用视网膜图像预测CKD及其病理类型.
- 为了评估KIDS的表现,与脏病学家相比.
主要方法:
- 利用了来自6,773名参与者的13,144张视网膜图像的数据集.
- 开发并验证了KIDS模型用于CKD查和多个中心和种族的病理分类.
主要成果:
- 在CKD查 (0.839-0.993) 和病理类型识别 (0.790-0.932) 中,KIDS实现了高AUC值.
- 与脏病学家相比,该模型显示出更高的精度 (26.98%更高).
- 儿童也可以根据病理发现预测疾病的进展.
结论:
- 非侵入性KIDS模型显示了改善CKD诊断和管理的显著潜力,特别是在不适合活检的患者中.
- 在不同的临床环境中,KIDS提供了一种灵活,可适应的工具,用于量身定制的患者护理.
