通过深度学习在动物模型中使用OCT和组织学图像对视网膜退化进行分类,以对视网膜退化进行深度学习
Tinghui Wu1, Jason Chetsawang2, Bin Lu2
1Division of AI in Medicine, Department of Medicine, Cedars-Sinai Medical Center, Los Angeles, 90048, CA, USA.
Experimental eye research
|November 15, 2025
概括
人工智能 (AI) 准确地使用光连贯断层扫描 (OCT) 和组织学图像对视网膜退化阶段进行分类,匹配人类的表现. 人工智能还可以从OCT扫描中预测视觉敏度,从而推进视网膜疾病监测.
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:
- 人工智能 (AI) 在视觉研究中越来越多地用于疾病分类和预测结果.
- 视网膜退化是一个重大的挑战,需要先进的诊断和监测工具.
研究的目的:
- 在临床前模型中使用光学连贯断层扫描 (OCT) 和组织学图像对视网膜退化的阶段进行分类.
- 为了从OCT图像中预测视觉敏度.
- 在分类视网膜退化方面,将AI性能与人类观察者的性能进行比较.
主要方法:
- 利用皇家外科医生学院 (RCS) 对于视网膜退行症的老鼠模型.
- 收集和分析了35只老鼠的OCT和组织学图像.
- 训练了一个ResNet18深度学习模型用于图像分类和视觉敏度预测.
- 将AI分类准确度与人类观察员表现进行比较.
主要成果:
- ResNet18从OCT图像中获得了95.95%的准确性 (F1=94.93%),对视网膜退化进行分类.
- ResNet18实现了90.71%的准确性 (F1=91.57%) 从组织学图像进行分类,与人类观察者相比.
- 从OCT图像中预测视觉敏度,平均平方误差为0.011和平均绝对误差为0.069.
结论:
- 深度学习可以从多式成像中准确,客观地分类视网膜退化阶段.
- 人工智能可以预测功能结果,如视力敏度.
- 这种在临床前模型中验证的AI框架为跨物种监测视网膜退化和治疗反应提供了一条途径.
