多模式深度学习用于使用视网膜成像和临床数据预测和检测中风.

科学领域:

• 神经科学是一个神经科学.
• 眼科医生 眼科 眼科
• 人工智能的人工智能

背景情况:

• 脑卒中是一个重要的全球健康问题.
• 目前的中风诊断依赖于昂贵的医学成像.
• 视网膜成像为评估脑血管健康提供了一个潜在的成本效益替代方案.

研究的目的:

• 调查视网膜图像和临床数据用于中风检测和风险预测的使用.
• 为此目的开发和评估一个多式联网深度神经网络.

主要方法:

• 开发了一种多式深度神经网络,处理光学连贯断层扫描 (OCT) 和红外反射网膜扫描.
• 该模型整合了临床数据,包括人口统计,生命体征和诊断代码.
• 自主监督学习用于对大型数据集进行预训练,然后对标记的子集进行微调和评估.

主要成果:

• 多模式模型在检测与急性中风相关的视网膜变化方面表现出有效性.
• 它准确地预测了在特定时间范围内未来的中风风险.
• 与单模图像基线相比,实现了5%的AUROC改进,与最先进的基础模型相比,实现了8%的改进.

结论:

• 当与临床数据相结合时,视网膜成像对识别高风险中风患者具有重大潜力.
• 拟议的深度学习框架为中风风险评估提供了一种非侵入性和具有成本效益的方法.
• 这种方法可以促进早期干预,减轻全球中风负担并改善患者的治疗结果.