眼内细胞因子水平预测从眼底图像和光学连贯性断层扫描
Hidenori Takahashi1,2, Taiki Tsuge3, Yusuke Kondo3
1Center for Cyber Medicine Research, University of Tsukuba, Tsukuba 305-8575, Japan.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
使用视网膜图像 (色底图像和OCT) 的深度学习模型在预测眼内细胞因子方面表现不佳. 仅使用图像的模型比使用人口统计数据的模型表现更好.
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:
- 视网膜成像和眼内细胞因子水平之间的联系尚未得到研究.
- 之前的研究还没有比较基于 fundus 摄影和 OCT 的深度学习模型来预测细胞因子.
研究的目的:
- 使用深度学习与彩色 fundus 照片 (CFP) 和光学连贯性断层扫描 (OCT) 视网膜图像预测眼内细胞因子度.
- 将基于CFP的深度学习模型与基于OCT的深度学习模型的预测性能进行比较.
主要方法:
- 使用卷积神经网络 (ResNet18通过AutoGluon) 开发了一个深度学习管道,用于特征提取和回归.
- 评估了四种预测方法:CFP单独,CFP与临床数据,OCT单独和OCT与临床数据.
- 使用平均确定系数 (R2) 评估性能.
主要成果:
- 总体预测性能很差,所有测试方法的平均R2值低于零.
- 仅图像模型的表现优于包含人口/临床数据的模型.
- 基于CFP和基于OCT的模型之间没有发现显著的性能差异.
结论:
- 使用CFP或OCT图像的深度学习模型对预测眼内细胞因子度的能力有限.
- 纳入人口统计或临床数据并没有改善预测性能,在某些情况下,甚至使其恶化.
- 需要进一步的研究,以提高从视网膜图像预测细胞因子概况的准确性.
