一个强大的深度学习分类器用于选多种视网膜疾病在光学连贯性断层扫描
Philippe Zhang1,2,3, Gwenole Quellec4, Sarah Matta4,5
1LaTIM UMR 1101, Inserm, Brest, France. pzhang.wj88@gmail.com.
Scientific reports
|October 9, 2025
概括
一个新的AI模型,FlexiVarViT,改善了从光学连贯性断层扫描 (OCT) 扫描中检测视网膜疾病的检测. 这种强大的深度学习架构增强了跨不同数据集和成像系统的概括性,以更好地临床应用.
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:
- 视网膜疾病导致全球显著的视力损伤.
- 早期诊断和管理对于预防失明至关重要.
- 目前用于眼病查的AI模型缺乏对外部数据集的稳定性和通用性.
研究的目的:
- 开发一个强大的和可通用的深度学习架构,用于使用光学连贯断层扫描 (OCT) 图像检测视网膜疾病.
- 解决现有的AI模型在处理可变的OCT数据特征和本地解决处理方面的局限性.
- 提高AI在眼科的临床适用性,特别是在资源有限的环境中.
主要方法:
- 提出了一种新的深度学习架构,FlexiVarViT,用于OCT图像分析.
- 集成的功能可以处理可变数据,如切片数和分辨率,而无需改变B扫描的尺寸.
- 对来自不同成像设备 (Spectralis,Optovue) 和不同人口 (法国,俄罗斯,伊朗) 的三个不同数据集进行了模型评估.
主要成果:
- FlexiVarViT在检测和分类多种视网膜病理方面表现出高准确度.
- 该模型在各种患者人口统计和成像系统中表现出显著的稳定性和通用性.
- 与现有的最先进的方法相比,实现了更高的性能.
结论:
- FlexiVarViT 架构为基于人工智能的视网膜疾病查提供了增强的稳定性和通用性.
- 该模型能够以本地分辨率处理OCT图像,从而保留关键的解剖细节.
- FlexiVarViT显示出在眼科广泛临床应用的巨大潜力.
