知识增强的人工智能驱动多种视网膜疾病的诊断在 fundus 光素血管学
Ming-Ming Duan1, Hui Qi2, Xiang Tu2
1Department of ophthalmology, Jiujiang City Key Laboratory of Cell Therapy, JiuJiang No. 1 People's Hospital, JiuJiang, Jiangxi, China.
Frontiers in cell and developmental biology
|December 29, 2025
概括
一个新的深度学习模型准确地从底光素血管学 (FFA) 图像中分类了六种视网膜疾病. 这种基于知识的方法可以提高糖尿病视网膜病变和黄斑退化等疾病的诊断准确度.
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:
- 对视网膜疾病的准确诊断对于有效治疗至关重要.
- 眼底光素血管学 (FFA) 是可视化视网膜血管和病理学的关键成像技术.
- 深度学习模型显示出在眼科中自动化图像分析的前景.
研究的目的:
- 开发和验证一个深度学习模型,使用FFA图像对六种视网膜疾病进行多类分类.
- 评估模型在独立数据集上的性能和通用性.
- 为了提高诊断准确性,利用知识增强的预培训策略.
主要方法:
- 使用ResNet-50图像编码器应用了知识增强的预训练策略 (KeepFIT).
- 在两个大型FFA体上训练模型:一个策划的地图集和一个临床报告数据集.
- 微调了分类六种视网膜疾病的模型,并在两个独立的测试集上进行了评估.
主要成果:
- 深度学习模型在测试组中实现了0.92的曲线下的微平均面积 (AUC).
- 在静脉封闭 (VO) (AUC 0.95) 和新血管与年龄相关的黄斑变性 (nAMD) (AUC 0.96) 方面表现出色.
- 以知识为基础的策略提高了模型的性能和通用性.
结论:
- 增强知识的预培训策略显著提高了深度学习模型对FFA分析的准确性.
- 这种方法为自动视网膜疾病查和临床决策支持提供了一个可扩展的框架.
- 该模型显示了改善眼睛护理的潜力,特别是在资源有限的环境中.
