视网膜-AI:一个开源的自动化基金体自光视网膜图像可分级性评估,用于遗传性视网膜疾病
Gunjan Naik1,2,3, Saoud Al-Khuzaei4,5, Ismail Moghul1,2,3
1Faculty of Brain Sciences, UCL Institute of Ophthalmology, London, United Kingdom.
Ophthalmology science
|July 31, 2025
概括
一个人工智能工具Retinograd-AI准确地评估了在遗传性视网膜疾病 (IRD) 中的 fundus自光 (FAF) 图像的质量. 这种自动化系统改善了大规模的视网膜图像分析,并有助于为IRD开发强大的诊断管道.
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:
- 遗传性视网膜疾病 (IRD) 需要高质量的底部自光成像 (FAF) 来进行准确的诊断和监测.
- 评估FAF图像质量对于可靠的分析和AI驱动的诊断工具的开发至关重要.
研究的目的:
- 开发和验证一个自动化的人工智能 (AI) 系统Retinograd-AI,用于评估IRD患者的FAF图像的分级性.
主要方法:
- 从IRD患者的2445张FAF图像的数据集被专家评分.
- 在这个数据集上训练了一种AI算法Retinograd-AI,以预测图像分级性.
- 人工智能模型应用于一个更大的数据集,包括136,631张FAF图像,并与人类评估进行验证.
主要成果:
- 在分辨可分级和不可分级的FAF图像方面,Retinograd-AI获得了91%的准确性和0.94的AUC.
- 人工智能模型将基因预测分类器的准确性从33.8%提高到68.9%.
- 分析显示了图像分级性,患者人口统计 (性别) 和特定遗传诊断之间的关联.
结论:
- 雷丁格拉德-AI提供了一个准确的开源解决方案,用于在IRD中自动化FAF图像质量评估.
- 该工具促进了大规模的视网膜图像分析,并支持AI算法的临床部署.
- 通过转移学习,Retinograd-AI的未来扩展将包括其他视网膜疾病.
