无代码机器学习用于检测常见的眼科疾病

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:

• 糖尿病视网膜病变 (DR),与年龄相关的黄斑变性 (AMD) 和玻璃眼 (glaucoma) 是导致视力丧失的主要原因.
• 早期发现和诊断对于有效治疗和预防不可逆转的视力损伤至关重要.
• 开发可访问的疾病检测工具可以赋予临床医生权力,改善患者护理.

研究的目的:

• 评估一种无代码机器学习 (ML) 方法,用于从 fundus 照片中检测 DR,AMD 和玻璃眼.
• 让没有编程经验的医生能够开发诊断ML模型.
• 评估ML模型在识别特定视网膜病理方面的性能.

主要方法:

• 使用Google Vertex AI的无代码AutoML Vision平台开发了两个分类模型 (二进制和多类).
• 一个 800 个 fundus 图像的数据集被用于开发和内部验证.
• 对来自单独数据集的400张图像进行了外部验证,评估了使用AUPRC的性能,精度,回忆和准确性.

主要成果:

• 二进制模型在内部实现了0.967的AUPRC,在外部实现了92.3%的准确性.
• 多类模型在内部实现了0.906的AUPRC,在外部实现了90%的整体准确性.
• 两种模型都表现出高精度和回忆力,表明在疾病检测方面可靠的性能.

结论:

• 无代码ML方法使医生能够在没有编码专业知识的情况下创建视网膜疾病的诊断工具.
• 这有助于更早的检测和干预,可能减少视力丧失.
• 该研究强调了在临床实践中可访问的人工智能工具的潜力,并弥合了研究和部署之间的差距.