可解释的人工智能用于早期检测和诊断与年龄相关的黄斑退化症

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:

• 与年龄相关的黄斑变性 (AMD) 是老年人视力丧失的主要原因.
• 早期发现AMD进展对于预防不可逆转的视力损伤至关重要.
• 自动化系统可以提高AMD查效率,但缺乏临床解释性.

研究的目的:

• 开发一个可解释的深度学习框架,用于自动化与年龄相关的黄斑变性 (AMD) 的分级.
• 通过模型可解释性,增强AI在AMD检测中的临床实用性.
• 为早期的AMD识别和分类提供可靠的诊断辅助.

主要方法:

• 采用ResNetRS-200架构实现了一个可解释的深度学习方法.
• 集成的内核SHAP为深度学习模型的预测提供了可解释性.
• 评估了与年龄相关的眼病研究 (AREDS) 数据集和私人数据集的模型.

主要成果:

• 在AREDS数据集上实现了0.6927的二次卡帕和60.95%的准确性.
• 在私人数据集上获得了0.7784的二次卡帕和77.95%的准确性.
• 核心SHAP分析确定了影响AMD分级预测的关键视网膜区域.

结论:

• 拟议的可解释AI框架有效地自动化了AMD分级,提高了可解释性.
• 该方法提供了临床相关的诊断辅助,增加了对AMD检测的信心.
• 这种方法支持早期识别和分类与年龄相关的黄斑变性,有助于维护视力.