相关实验视频
Updated: May 27, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
通过合成视网膜图像来增强可参考的糖尿病视网膜病变和黄斑病变的预后深度学习系统
Paul Nderitu1,2, Joan M Nunez do Rio3, Laura Webster4
1Section of Ophthalmology, Faculty of Life Science and Medicine, King's College London, London, UK. p.nderitu@doctors.org.uk.
Communications medicine
|December 19, 2025
概括
合成视网膜图像改善了对糖尿病视网膜病变预测的深度学习模型在内部测试中. 然而,性能提升并没有转化为外部测试,这表明需要进一步研究可概括性.
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:
- 深度学习系统的开发面临着有限的标记数据和阶级不平衡的挑战.
- 研究了由条件级联扩散模型 (CCDM) 生成的合成视网膜图像的使用,以改善预后深度学习系统 (pDLS).
研究的目的:
- 评估合成视网膜图像是否提高pDLS的性能,以预测可转移的糖尿病视网膜病变或黄斑病变 (rDR/rM) 在两年内.
- 评估合成数据增强对模型准确性和概括性的影响.
主要方法:
- 利用来自英国东南伦敦糖尿病眼睛查计划的斑点图像进行开发和内部测试.
- 采用条件级联扩散模型 (CCDM) 来生成合成阳性病例以进行数据增强.
- 将增强的pDLS (pDLS-G) 与未增强的 (pDLS-N) 和重新采样的 (pDLS-R) 模型进行比较,使用接收器运行特征曲线 (AUROC) 下面的区域.
主要成果:
- CCDM成功地生成了与真实的可比的真实合成视网膜图像.
- 增加×2个合成阳性病例 (pDLS-G ×2) 显著改善了内部测试AUROC至0.845 (p=0.044).
- 外部测试AUROC与合成增强 (0.717,p=0.243) 没有改善,仅重新抽样真实病例没有显示性能益处.
结论:
- 合成视网膜图像增强在内部测试场景中显著提高pDLS性能.
- 外部测试没有得到改善,这凸显了进一步研究的必要性,以提高合成数据的通用性.
- 未来的工作重点应该是改善合成数据增强技术的可转移性,以实现强大的预后模型.
