自主监督学习和混合深度模型用于预测白内障手术后Fuchs内皮角膜变的进展
Paola León-Tarife1, Francisco Arnalich-Montiel2, David Mingo-Botín2
1Department of Signal Theory and Communications, Universidad Carlos III de Madrid, Leganés, 28911, Madrid, Spain.
Computer methods and programs in biomedicine
|October 17, 2025
概括
一个新的深度学习框架准确地预测了Fuchs内皮角膜缩症 (FECD) 患者角膜移植手术的需要,改善了手术规划和结果.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 福克斯内皮角膜缩症 (FECD) 增加了白内障手术后角膜失补偿的风险,经常需要内皮角膜整形 (EK).
- 目前的角膜生物标志物对EK的预测能力有限,使手术规划复杂化.
研究的目的:
- 开发和验证一种新的深度学习框架,用于在FECD患者中更好地预测EK.
- 提高预后准确度,超越传统的生物标志物,以便更好地进行手术规划.
主要方法:
- 一个深度学习框架,集成临床知识,集体学习和自主监督学习 (SSL),使用Scheimpflug断层成像.
- 一个混合CNN与基于RANSAC的BFS海拔地图以及一个双分支设计与极地池.
- SSL对比的预训练任务,以提高有限的注释数据的性能.
主要成果:
- 该框架在多中心数据集上实现了0.94的曲线下的面积 (AUC).
- 与现有的基于生物标志物的模型相比,表现出更高的性能.
- 在不同的医院环境中表现出强烈的概括性.
结论:
- 拟议的深度学习方法提供了一个强大的和可解释的决策支持工具.
- 有助于改进FECD管理和白内障手术规划.
