基于自然图像的基础模型能否在检测眼睛和全身疾病方面胜过视网膜特异模型?

科学领域:

• 人工智能在医学中的应用
• 眼科医生 眼科 眼科
• 心脏病学 心脏病学
• 神经学 神经学

背景情况:

• 像DINOv2这样在自然图像上预训练的基础模型 (FMs) 越来越多地被用于医学应用.
• 特定领域的FM,例如用于视网膜成像的RETFound,提供专门的预训练.
• 在眼科和相关的系统性疾病预测中,一般用途和特定领域的FM的比较性能尚未得到充分证实.

研究的目的:

• 进行DINOv2和RETFound基础模型的对比评估.
• 评估他们在各种下游任务上的表现,包括眼部疾病检测和系统性疾病发病率预测.

主要方法:

• 一个回顾性评估,比较DINOv2 (大,基,小) 和RETFound模型.
• 模型在八个眼部疾病的开源数据集 (糖尿病视网膜病变,玻璃眼瘤,多类眼病) 和系统性疾病的Moorfields AlzEye数据集上进行了微调.
• 通过内部和外部验证,使用接收器操作特征曲线 (AUC) 下的面积来评估性能.

主要成果:

• 在眼部疾病检测任务中,DINOv2模型通常表现优于RETFound,包括糖尿病视网膜病变 (DR),多类眼部疾病和青光眼,实现更高的AUC (例如,DR的DINOv2-Large:0.850-0.952与RETFound:0.823-0.944).
• 相反,RETFound在预测系统性疾病 (心力衰竭,心肌梗塞,缺血性中风) 的三年发病率方面表现优异,AUC比DINOv2.2更高.
• 这些性能差异在内部和外部验证数据集中一致.

结论:

• DINOv2在眼部疾病检测方面显示出显著的潜力,在这些任务中表现优于专门的RETFound模型.
• 在预测全身疾病发生率方面,RETFound具有优势,这突显了其专门的实用性.
• 基础模型的选择应以特定的临床任务要求为指导,以优化诊断和预测性能.