深度学习算法预测视网膜撕裂和脱离从光学连贯断层扫描
Anish Salvi1, Yeabsira Mesfin2, Leo Arnal1
1School of Medicine, Stanford University, Palo Alto, CA, USA.
Translational vision science & technology
|November 17, 2025
概括
这项研究开发了一个AI分类器,使用光学连贯断层扫描 (OCT) 图像来预测视网膜撕裂和脱落 (RT/RD) 的可能性. 该模型准确地识别了高风险患者,使得早期干预能够预防视力丧失.
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:
- 视网膜撕裂和脱落 (RT/RD) 是导致视力丧失的主要原因.
- 早期发现RT/RD对于有效治疗和维护视力至关重要.
- 当前的诊断方法可能并不总是能够识别未来RT/RD高风险的患者.
研究的目的:
- 开发和验证一个图像分类器,用于预测未来的RT/RD使用OCT的可能性.
- 为RT/RD预后中的临床相关性提供像素级的解释.
- 为了利用深度学习来识别易受预防治疗的高风险患者.
主要方法:
- 一个卷积神经网络 (Inception-v4) 被训练在来自斯坦福研究库的OCT图像上.
- 患者根据RT/RD状态和手术史进行分类.
- 梯度加权类激活映射 (Grad-CAM) 用于生成热图以实现模型解释性.
主要成果:
- 分类器实现了接收器运行特征曲线下的面积为0.87.
- 平均精度为0.85,准确度为0.78.
- 热图突出显示了与RT/RD风险相关的关键黄斑生物标志物,例如视网膜和视体引力.
结论:
- 开发的二进制图像分类器准确地从OCT扫描中预测未来的RT/RD发展.
- 深度学习算法识别了关键的生物标志物,从而能够及时进行预防性干预.
- 这项技术提供了一种潜在的途径,可以预防风险人群的视力丧失.
