对多种视网膜疾病的深度学习的诊断性能和概括性,使用 fundus 摄影和光学连贯性断层扫描的双模成像

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:

• 早期发现视网膜疾病对于预防视力丧失至关重要.
• 深度学习 (DL) 模型在分析视网膜图像方面表现有前途.
• 结合多种成像方法可以提高诊断准确度.

研究的目的:

• 开发和评估深度学习 (DL) 模型,以使用双模成像检测多种视网膜疾病.
• 评估这些模型的诊断性能和通用性.

主要方法:

• 从三个医院的1,029名患者中使用了1445对CFP-OCT对.
• 开发了五种双模DL模型,其中Fusion-MIL被认为是表现最好的.
• 测试了来自不同设备和扫描模式的数据集的模型,评估了七种视网膜疾病和病态近视 (PM) ATN分类.

主要成果:

• 双模融合-MIL模型在数据集2中实现了0.985的平均AUC,超过单模CFP-MIL和OCT-MIL模型.
• 融合-MIL在不同的设备和数据集中展示了卓越的准确性和强大的通用性.
• 在病理性近视中ATN分类的AUC从0.742到0.997.99不等.

结论:

• 与单模模式方法相比,双模融合-MIL深度学习模型可以改善视网膜疾病的诊断.
• 融合-MIL模型在各种成像设备中表现出强大的通用性.
• 这种方法为各种临床场景提供了宝贵的诊断能力.