基于深度学习的多种 fundus 疾病的分类,使用超广场图像
1Department of ophthalmology, JiuJiang City Key Laboratory of Cell Therapy, Jiujiang No. 1 People's Hospital, JiuJiang, Jiangxi, China.
Frontiers in cell and developmental biology
|August 1, 2025
概括
一个新的混合深度学习模型从超广场 (UWF) 图像中准确地分类多种 fundus 疾病,超过眼科医生,提高诊断效率,以改善患者护理.
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:
- 精确诊断底部疾病对于有效治疗至关重要.
- 超广场 (UWF) 成像提供了视网膜的全面视图.
- 当前的诊断方法可能耗时,需要专家解释.
研究的目的:
- 开发一种混合深度学习模型,使用UWF图像对多种 fundus 疾病进行分类.
- 提高眼科疾病检测的诊断效率和准确性.
- 为眼科临床决策提供辅助工具.
主要方法:
- 一项回顾性研究涉及10,612张UWF fundus图像,涵盖了16种 fundus疾病.
- 使用混合模型,将DenseNet121特征提取与XGBoost分类器相结合.
- 使用梯度加权类激活映射 (Grad-CAM) 用于模型可视化和性能评估,使用准确度,精度,回忆,F1分数和AUC-ROC.
主要成果:
- 该模型实现了高诊断性能,AUC值超过0.975常见疾病和0.970罕见疾病.
- 对常见疾病的准确率高于0.980,对于罕见疾病的准确率超过0.998.
- 格拉德-CAM可视化证实了与临床病理特征的对齐,该模型在诊断准确性方面超过了眼科医生.
结论:
- 开发的深度学习模型有效地从UWF图像中分类多种眼科疾病.
- 这种人工智能工具显示了提高临床诊断效率和优化眼科医生工作流程的潜力.
- 该模型有望提高眼科患者护理的质量.
