一个多任务深度学习管道,整合血管细分和放射学,用于多类视网膜疾病分类
Feng Yan1, Yanxia Liu2, Qingsong Zhao3
1Department of Ophthalmology, Ningcheng Central Hospital, Chifeng City, Inner Mongolia Autonomous Region, 024200, China.
Photodiagnosis and photodynamic therapy
|September 6, 2025
概括
这项研究开发了一种深度学习框架,用于从 fundus 图像中分类糖尿病视网膜病变,高血压视网膜病变和 papilledema. 该模型实现了高准确性,证明了视网膜疾病自动诊断的潜力.
科学领域:
- 眼科 眼科
- 医学成像
- 人工智能
背景情况:
- 准确的视网膜疾病分类,如糖尿病视网膜病变 (DR),高血压视网膜病变 (HR) 和乳头膜炎,对于及时干预至关重要.
- 自动分析底部图像可以帮助早期发现和管理这些疾病.
研究的目的:
- 开发一个集血管细分和放射性分析的多任务深度学习框架,用于对四种视网膜疾病进行自动分类.
- 评估基于变压器的细分模型和疾病分类的放射性特征.
主要方法:
- 使用来自八个医疗中心的2,165名患者的数据集,
- 使用五种深度学习模型 (U-Net,Attention U-Net,DeepLabV3+,HRNet,Swin-Unet) 来对整个血管和动脉静脉进行细分.
- 提取了220个放射性特征和计算的动脉静脉比率 (AVR),然后使用XGBoost,CatBoost,RF和Ensemble模型进行特征选择和分类.
主要成果:
- Swin-Unet实现了优异的细分性能,其外部形相似系数 (DSC) 为92.4% (整个血管) 和89.8% (动脉-静脉).
- LASSO-Ensemble分类器组合的测试准确率为93.7%,外部测试准确率为92.3%,AUC为95.2%.
- AVR估计与临床预期一致,并对阶级歧视做出了重大贡献.
结论:
- 开发的多任务管道有效地将基于变压器的细分与放射学相结合,以准确和可解释的视网膜疾病分类.
- 该框架表现出强大的通用性,显示出未来在视网膜疾病自动诊断中的临床应用的巨大潜力.
