相关实验视频
Updated: Jul 6, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
在低收入和中等收入国家加强基于人工智能的糖尿病视网膜病变查,使用合成数据
Zitao Shuai1, Chenwei Wu1, Zhengxu Tang1
1Electrical Engineering and Computer Science Department, University of Michigan, 1301 Beal Ave, Ann Arbor, 48105, MI, United States.
Journal of biomedical informatics
|October 25, 2025
概括
RetSyn是一个新的合成数据框架,通过改善各种设备和图像质量上的模型稳定性,在资源较低的环境中增强AI糖尿病视网膜病变查. 这种方法可以提高诊断的准确性,使人工智能在服务不足的地区更可靠.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 眼科医生 眼科 眼科
背景情况:
- 基于AI的糖尿病视网膜病变 (DR) 查对低收入和中等收入国家 (LMICs) 充满希望,因为专业资源有限.
- 现有的人工智能系统在与现实世界的图像质量变化作斗争,特别是对于LMICs至关重要的便携式设备.
- 需要强大的AI查工具,适应各种成像条件和设备,在服务不足的医疗机构.
研究的目的:
- 开发RetSyn,一个合成数据增强框架.
- 为了提高基于AI的DR查模型在不同设备和成像条件的稳定性.
- 为了提高AI诊断可靠性在低资源环境中.
主要方法:
- RetSyn利用先进的扩散模型生成具有不同质量和设备特性的合成视网膜图像.
- 采用类型和质量条件下的扩散来进行可控制的合成,解决数据稀缺和不平衡问题.
- 包含直接偏好优化 (DPO) 调整和组平衡损失,以提高少数数据对的性能.
主要成果:
- RetSyn增强模型在域内和域外数据集上都显示出一致的性能增长.
- 在低质量的桌面图像上观察到显著的改善:F1得分从0.781增加到0.874 (二进制) 和0.607增加到0.703 (三级).
- 域外便携式图像性能超过了基线方法,实现AUROC为0.813/F1 0.703 (二进制) 和0.804/F1 0.609 (三类).
结论:
- RetSyn为基于AI的DR查中合成数据增强提供了一个有效和可扩展的解决方案.
- 该框架显著提高了模型的稳定性和通用性,促进了LMIC中可靠的AI诊断.
- 配对智能手机与平板电脑视网膜图像数据集的发布支持未来的跨设备查研究.
