相关实验视频
Updated: Sep 11, 2025
07:06
Binocular Dynamic Visual Acuity in Eyeglass-Corrected Myopic Patients
Published on: March 29, 2022
2.7K
在多种视网膜疾病患者中,基于人工智能的最佳校正视敏度的预测,使用多式联络医疗成像技术
Li Dong1, Weihao Gao2, Linghan Niu1
1Beijing Tongren Eye Center, Beijing key Laboratory of Intraocular Tumor Diagnosis and Treatment, Beijing Ophthalmology＆Visual Sciences Key Lab, Medical Artificial Intelligence Research and Verification Key Laboratory of the Ministry of Industry and Information Technology, Beijing Key Laboratory of Intelligent Diagnosis, Treatment and Prevention of Blinding Eye Diseases, Beijing Tongren Hospital, Capital Medical University, Beijing, Beijing, China.
The British journal of ophthalmology
|August 14, 2025
概括
使用多式成像的人工智能 (AI) 准确地预测了视网膜疾病的最佳校正视敏度 (BCVA). 多模式融合提供了优越的预测比单个成像类型,提高临床效率.
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:
- 评估最佳校正视敏度 (BCVA) 对于诊断和管理视网膜疾病至关重要.
- 当前的BCVA评估可能是耗时和主观的.
- 人工智能 (AI) 提供了客观和高效的视力敏度预测的潜力.
研究的目的:
- 评估人工智能算法在使用多式联视网膜成像预测BCVA方面的有效性.
- 为了比较单模对比多模成像方法的性能,用于BCVA预测.
- 提高临床BCVA评估的精度和效率.
主要方法:
- 用于培训,测试和验证,使用了各种视网膜疾病患者的大数据集.
- 使用了回顾性和前性数据集,包括黄斑OCT,光盘OCT和 fundus 图像.
- 人工智能模型采用单模分析和多模融合技术,精度用MAE,RMSE和R2.2进行测量.
主要成果:
- 黄斑OCT和 fundus图像显示出比光盘OCT更好的单模BCVA预测性能.
- 与单一模式相比,多模式融合显著提高了预测准确性.
- 最好的多模式融合方法 (平均聚合) 实现了MAE为2.865,RMSE为6.229,R2为0.935.
结论:
- 人工智能驱动的多模式融合在预测视网膜疾病患者的BCVA方面表现出高准确性.
- 这种方法有可能显著提高临床评估的效率和精度.
- 需要进一步的研究,以解决疾病的多样性和在资源有限的环境中的适用性.
