深度学习 通过合成数据检测视网膜炎色素质遗传形式 稀有疾病数据集的合成数据扩展

科学领域:

• 眼科医生 眼科 眼科
• 医学遗传学 医学遗传学
• 人工智能的人工智能

背景情况:

• 对遗传模式的准确分类对于诊断和咨询患有遗传视网膜疾病 (IRD) 的患者至关重要.
• 传统的方法,如血统分析和遗传测试,由于数据不完整和可访问性问题而面临限制.
• 深度学习 (DL) 显示出从基底成像中推断自动化遗传模式的前景,但对于罕见的IRD数据稀缺是一个主要障碍.

研究的目的:

• 开发一种深度学习方法,使用彩色底部摄影来区分自体和X链接视网膜炎色素炎 (RP).
• 通过引入创新的数据扩展战略,解决罕见病研究中的数据局限性.
• 证明DL在识别RP中与遗传遗传相关的微妙表型差异方面的潜力.

主要方法:

• 利用视觉变压器 (ViT) 模型从基底图像对RP中的遗传模式进行分类.
• 实施了基于自动编码器的变量数据扩展策略,以增加有限的数据集.
• 通过使用曲线下的面积 (AUC) 度量来评估分类性能.

主要成果:

• 通过使用彩色底部摄影,DL方法成功地区分了自体和X结合的RP.
• 数据扩展策略显著改善了分类性能,AUC从0.67增加到0.79.
• 这些发现突显了DL能够检测遗传与遗传相关的表型变异的能力.

结论:

• 深度学习,特别是ViT模型,提供了一个强大的工具,用于从基底图像分类RP继承模式.
• 开发的数据增强技术可以提高DL可访问性,用于罕见疾病,如RP.
• 这种方法有可能有助于IRD的诊断和遗传咨询.