SABPI-Net:一个结构意识的双向代理交互网络,用于婴儿视网膜疾病诊断

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 婴儿视网膜疾病的延迟诊断导致不可逆转的视力丧失.
• 自动诊断受到微妙的病变,不同的表型,成像变异和不平衡数据的挑战.
• 现有的基础模型在婴儿视网膜成像方面面临着这些具体挑战.

研究的目的:

• 开发一种先进的AI模型,用于准确和强大的婴儿视网膜疾病的自动诊断.
• 提高视网膜细菌结构的感知,并确保在各种成像条件下保持一致的性能.
• 提高对细微和不常见的婴儿视网膜疾病的诊断灵敏度.

主要方法:

• 在通用学习框架内提出了结构意识的双向代理交互网络 (SABPI-Net).
• 包含一个高频映射分支与代理交互注意模块用于详细的结构感知.
• 利用域无关嵌入空间自我匹配和尾部感知功能融合策略进行微调.

主要成果:

• 在使用迄今为止最大的临床数据集,SABPI-Net在三个婴儿视网膜疾病分类任务中取得了卓越的表现.
• 在主流临床任务中获得了95.32%的准确性,在ROP五阶段分类中达到73.58%,在多种疾病分类中达到84.25%.
• 与13种最先进的方法相比,显示出显著的改进,精度增长高达4.71%.

结论:

• SABPI-Net有效地解决了婴儿视网膜疾病自动诊断方面的挑战.
• 与现有方法相比,该模型显示出卓越的诊断准确性和稳定性.
• 这一进步对改善婴儿视网膜疾病的早期检测和治疗具有重大潜力.