深度学习用于视网膜底部图像的综合分析:检测系统和眼部疾病

科学领域:

• 眼科和人工智能
• 医学图像分析
• 医疗保健中的深度学习

背景情况:

• 视网膜是眼睛和全身健康的重要指标.
• 人工智能驱动的先进工具对于有效的疾病查和风险评估越来越需要.
• 在不同眼科数据集上评估深度神经网络的性能对于临床翻译至关重要.

研究的目的:

• 在巴西多标眼科数据集 (BRSET) 中全面评估六个最先进的深度神经网络.
• 在七个不同的分类任务中评估模型性能,包括糖尿病,糖尿病视网膜病变,高血压,高血压视网膜病变,德鲁森和性别.
• 通过基于梯度的突出地图探索深度学习模型的可解释性.

主要方法:

• 采用了BRSET数据集,其中包含16,266张具有多种临床和人口学注释的 fundus图像.
• 在七个分类任务中评估了卷积神经网络和视觉转换器架构.
• 使用精度,回忆,F1分数,精度和曲线下的面积 (AUC) 等指标进行性能评估.

主要成果:

• 在大多数任务中,Swin-L模型表现出卓越的性能,在糖尿病,糖尿病视网膜病变 (2级和3级),高血压,高血压视网膜病变,德鲁森检测和性别分类方面取得了高AUC和加权F1分数.
• 诊断性能从优秀到出色,突出了评估模型的有效性.
• 基于梯度的突出地图为决策过程提供了洞察力,并确定了相关的视网膜特征.

结论:

• 深度学习模型,特别是视觉转换器,显示出对视网膜和全身疾病的准确和可解释性查的巨大潜力.
• 这些发现支持人工智能为眼科和更广泛的医疗保健领域的临床应用工具的开发.
• 这项研究强调了人工智能的临床实用性,用于从 fundus 图像中识别疾病的关键特征.