基础和监督学习模型的比较,用于从 Fundus 照片中检测可参考的眼光
Kyle Bolo1, Tran Huy Nguyen2, Sreenidhi Iyengar2
1Roski Eye Institute, Keck School of Medicine, University of Southern California, Los Angeles, CA, USA.
medRxiv : the preprint server for health sciences
|September 2, 2025
概括
基础模型显示可从 fundus 照片中检测可转移的光眼,特别是在有限的数据中. 裁剪的图像可以提高性能,但可能会影响通用性.
科学领域:
- 眼科 眼科
- 人工智能
- 医学成像
背景情况:
- 通过 fundus 照片检测青光眼对于预防视力损失至关重要.
- 深度学习模型提供了自动选的潜力.
研究的目的:
- 将基础模型 (RETFound) 和监督学习模型 (VGG-19) 的性能进行比较,以检测可转移的玻璃眼.
- 根据图像裁剪和数据集大小来评估模型性能.
主要方法:
- 通过对6116名参与者的剪切和未剪切 fundus 照片培训了四个深度学习模型 (RETFound,VGG-19).
- 使用AUC-ROC和其他指标对持有和外部测试集进行评估的模型.
- 在不同培训群体大小和人口因素中评估绩效.
主要成果:
- 经过切割的图像模型获得了更高的性能,VGG-19显示了最高的AUC-ROC (0.924).
- RETFound模型在较小的数据集和外部数据上显示出优势.
- 截取的RETFound模型在各个族群中表现一致.
结论:
- 这两种RETFound和VGG-19模型都有效检测青光眼.
- 对于有限的培训数据和预期的领域转移,基础模型可能更好.
- 切割图像可以提高性能,但可能会降低概括性.
