以可解释的基础模型优化基于视网膜图像的动脉样硬化预测
Hyeokjong Lee1, Jaewon Kim1, Sangmin Kwak2
1Department of Biomedical Sciences, Seoul National University Graduate School, Seoul, South Korea.
NPJ digital medicine
|September 30, 2025
概括
基金会模型可以从视网膜图像中检测出动脉样硬化,有助于早期预测心血管疾病 (CVD). DINOv2表现出最佳性能,支持通过视网膜成像进行机会性查.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 心血管疾病研究研究
背景情况:
- 动脉样硬化是心血管疾病 (CVD) 的重要预测因素.
- 早期发现动脉样硬化对于预防心血管疾病至关重要.
- 根据视网膜图像对动脉样硬化进行分类的基础模型 (FMs) 的最佳选择和微调需要进行调查.
研究的目的:
- 评估不同视觉基础模型 (FMs) 和微调策略的性能,以从视网膜图像中检测动脉样硬化.
- 评估这些模型在预测未来心血管疾病死亡率方面的临床实用性和预后相关性.
- 确定表现最好的模型的可解释性和血管对齐性.
主要方法:
- 使用了39620个人的数据集.
- 评估了四个视觉FM,使用了三种不同的微调方法.
- 使用预测指标 (AUC,灵敏度,特异性),对心血管疾病死亡率的生存分析以及用于解释性血管细分的Grad-CAM来评估性能.
主要成果:
- 使用低级适应的DINOv2获得了最高的性能 (AUC=0.71,灵敏度=0.87,特异性=0.44).
- 该模型对未来心血管疾病死亡率具有显著的预后相关性 (HR=2.20,P趋势<0.05).
- 选择的模型表现出强烈的血管对齐,表明良好的解释性.
结论:
- 基础模型,特别是DINOv2,显示了从视网膜图像分类动脉样硬化的前景.
- 这些发现支持使用视网膜成像用于动脉样硬化和心血管疾病的机会性查的可行性.
- 为了在医疗AI中选择最佳的FM,一个多维评估框架是必不可少的.
