基于深度学习的诊断角质状况,使用原始光学一致性断层扫描数据
Maziar Mirsalehi1, Michael Schwemm1, Elias Flockerzi2
1Department of Experimental Ophthalmology, Saarland University, Kirrberger Street 100, 66424 Homburg, Saarland, Germany.
Diagnostics (Basel, Switzerland)
|December 30, 2025
概括
这项研究表明,卷积神经网络可以使用原始光学相干断层扫描数据准确诊断角 (KC),为早期检测和治疗提供了对预处理数据的一致替代方案.
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:
- 角膜 (KC) 是一种渐进的角膜脱落,影响视力,需要早期诊断才能有效治疗.
- 原始医疗数据在软件版本中提供一致性,与预处理数据不同,这些数据可能会受到更新的影响.
- 早期和与阶段相关的KC诊断对于保持视力敏度至关重要.
研究的目的:
- 使用原始光学连贯断层扫描 (OCT) 数据,区分健康和角质 (KC) 角膜.
- 评估修改卷积神经网络 (CNN) 在分析KC检测原始OCT图像中的有效性.
主要方法:
- 利用了来自Casia2前段OCT的2737次眼科检查,眼科医生将其分类为"正常"",脱眼"或"其他疾病".
- 使用修改后的DenseNet121,EfficientNet-B0,MobileNetV3-Large和ResNet18 CNN模型进行图像分析.
- 专注于分析未经处理的OCT原始数据,而不进行预处理以保持数据完整性.
主要成果:
- 修改后的EfficientNet-B0实现了92.86%的最高整体精度.
- 美国有线电视新闻 (CNN) 模型在各种指标上表现出很高的表现,包括宏观平均灵敏度,特异性,积极预测值和F1分数.
- 这些模型的准确度在89.68%到92.86%之间.
结论:
- 卷积神经网络可以有效地使用原始光学连贯断层扫描数据来诊断角.
- 原始的OCT数据代表了眼科临床分析预处理数据的可行和一致的替代方案.
- 这种方法具有显著的潜力,可以改善KC的早期诊断,并指导及时的治疗决策.
