基于深度学习的分类,使用共聚焦显微镜对真菌和Acanthamoeba角膜炎进行分类

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:

• 真菌角膜炎 (FK) 和阿坎他梅巴角膜炎 (AK) 存在重大诊断和治疗挑战,往往导致视觉结果差.
• 传染性角膜炎 (IK) 涉及多种微生物原因,需要准确及时识别才能有效管理.

研究的目的:

• 评估深度学习 (DL) 模型在分类不同类型传染性角质炎 (IK) 的有效性.
• 评估DL在将真菌角膜炎 (FK) 分为有丝和无丝形式的亚型方面的能力.
• 确定使用DL与体内共聚焦显微镜用于IK诊断的可行性.

主要方法:

• 采用了来自海德堡视网膜扫描仪3 (HRT 3) 1975年图像的数据集,包括真菌角膜炎 (FK),阿坎萨摩巴角膜炎 (AK) 和非特异性角膜炎 (NSK).
• 使用ResNet50架构的转移学习用于分类和分类类型任务.
• 应用了数据增强和类权重来解决类不平衡,模型使用Adam优化器和5倍交叉验证进行训练.

主要成果:

• 模型1在 IK 类型 (FK,AK,NSK) 的分类中实现了高加权平均准确度 (89%),在 AK (93%,96%) 和 FK (90%,92%),具有很高的精度和回忆.
• 模型2准确地以85%的准确性分类了FK,在区分有线状 (F1-得分0.81) 和非有线状 (F1-得分0.85) 形式方面表现出很高的性能.
• 这些模型在FK亚型分类中实现了高ROC AUC (0.94) 和PR AUC (0.95),表明了强大的诊断潜力.

结论:

• 深度学习模型显示了传染性角膜炎 (IK) 亚型的准确分类的巨大潜力.
• 对共聚焦显微镜图像的AI驱动分析可以提高FK和AK的诊断准确性.
• 这些发现支持将DL纳入临床实践,以改善IK诊断和有针对性的治疗策略.