相关实验视频
Updated: Jun 12, 2026

05:40
Using an Automated Hirschberg Test App to Evaluate Ocular Alignment
Published on: March 24, 2020
15.7K
人工智能归因方法用于眼科图像分类的适用性研究.
Ali Yavari1, Tilman Schmoll2,3, Rainer A Leitgeb2
1Center for Medical Physics and Biomedical Engineering, Medical University of Vienna, Waehringer Guertel 18-20 (4L), 1090, Vienna, Austria. ali.yavari@meduniwien.ac.at.
Scientific reports
|January 6, 2026
概括
像AGI和AttEXplore这样的归因方法在使用OCT成像来解释糖尿病视网膜病变 (DR) 检测中的AI预测方面表现有前途. 为了突出临床相关领域,最好使用AttEXplore,但专家的解释仍然至关重要.
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:
- 糖尿病视网膜病变 (DR) 和视网膜液积累是通过光学连贯断层扫描 (OCT) 检测到的主要糖尿病并发症.
- 深度学习模型在诊断这些情况时显示出高准确性,但由于解释性差,缺乏临床信任.
- 在自然图像分析中成功的归因方法,在医学成像解释性方面尚未得到充分探索.
研究的目的:
- 评估三个归因方法 (DeepLIFT,AGI,AttEXplore) 在解释使用OCT图像进行DR和流体检测的深度学习模型预测方面的有效性.
- 通过使用定量和定性措施,评估这些方法识别的突出区域的临床相关性.
- 确定最合适的归因方法,以提高人工智能辅助眼科诊断的透明度.
主要方法:
- 一个VGG16深度学习模型被训练用于DR分类和流体检测,使用广场OCTA面对面和OCTB扫描图像.
- 三种归因方法 - - DeepLIFT,AGI和AttEXplore - - 用于生成模型预测的视觉解释.
- 使用定量指标 (插入/删除得分) 和定性热图分析来评估归因的临床相关性.
主要成果:
- VGG16模型实现了高精度 (DR的94%,流体检测的98%).
- 归因方法产生了各种各样的定性结果,受其基本假设和超参数灵敏度的影响.
- 与AGI和DeepLIFT相比,AttEXplore在突出显示病理病例中具有临床意义的结构方面表现优异,尽管AGI和AttEXplore的定量得分相似.
结论:
- 虽然归因方法可以帮助解释眼科疾病的AI预测,但它们的结果需要与临床专业知识一起仔细解释.
- 在DR和流体检测任务中可视化临床相关特征,AttEXplore显示出作为首选方法的潜力.
- 需要进一步的研究,以建立归因方法作为AI辅助医学诊断中临床相关性的可靠代理.

