计算机辅助检测视网膜损伤后的眼睛创伤使用机器学习算法
Patrick Y Hsun1, Christina L Rettinger1, Heuy-Ching Wang2
1Metis Foundation, San Antonio, TX 78216, United States.
Military medicine
|September 23, 2025
概括
机器学习算法在透眼损伤后准确地检测视网膜撕裂,优于传统方法. 这一进步为人工智能驱动的诊断工具铺平了道路,以帮助识别眼睛创伤和疾病进展.
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:
- 后部穿透性眼损伤带来视网膜撕裂,脱落和纤维化的风险,需要立即进行视觉评估.
- 目前的标准眼镜检查在持续检测受伤后的微妙视网膜异常方面存在局限性.
- 使用机器学习 (ML) 的自动图像处理提供了增强检测视网膜变化的潜力.
研究的目的:
- 评估机器学习 (ML) 模型在后部穿透眼损伤后识别微妙视网膜异常方面的有效性.
- 为了比较不同ML算法的性能,包括卷积神经网络 (CNN) 和支持矢量机器 (SVM),用于检测视网膜损伤.
主要方法:
- 十只子经历了后部穿透眼损伤和 fundus 摄影.
- 743张 fundus 图像的数据集被随机分为训练 (70%) 和测试 (30%) 组.
- 两种ML模型类型 (CNN和四种SVM) 进行了训练和验证,使用精度和ROC AUC来评估性能.
主要成果:
- 具有多项式内核的支持向量机 (SVM) 实现了最高的精度 (92.37%) 和ROC AUC (0.96).
- 卷积神经网络 (CNN) 模型表现出强的性能,准确率为91.03%,ROC AUC为0.91.
- 其他SVM模型显示了不同的结果,线性内核的性能相对较高,而Sigmoid/Radial基础函数内核的效率较低.
结论:
- 训练有素的ML算法可以准确地识别由后眼创伤引起的视网膜撕裂.
- 这项研究是朝着开发用于检测视网膜损伤的计算机辅助诊断系统迈出的重要一步.
- 基于ML的工具可以改善对穿透创伤后的眼损伤和疾病进展的监测.
