提高眼神标志检测:基于人工智能的战略细分,以提高准确性和隐私保护
Chaoyu Lei1,2, Chen Zhao1, Jiayu Chen3
1State Key Laboratory of Eye Health, Department of Ophthalmology, Shanghai Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
NPJ digital medicine
|January 6, 2026
概括
这项研究引入了一种新的AI模型,用于使用有限的面部图像检测眼病迹象,显著提高诊断准确性,同时保护患者的隐私. 开发的系统在不同的人群中表现出高性能和普遍性.
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:
- 目前用于眼部疾病诊断的AI使用外部图像,通常包括非必需数据,这阻碍了性能并损害了患者的隐私.
- 准确检测眼部症状对于早期诊断各种眼部疾病至关重要.
研究的目的:
- 开发一个保护隐私的人工智能系统,用于准确检测甲状腺眼病中的眼睛标志.
- 通过专注于关键的眼部区域来最大限度地减少数据暴露,并提高诊断性能.
主要方法:
- 一项涉及2360只眼睛的多国回顾性研究,来自不同种族群体和医院的1180张半脸图像.
- 密集挤压和刺激网络 (DSE-Net) 的开发,用于分割关键的眼部结构 (眼,结膜,眼,眼球).
- 实施SegmenView,利用卷积神经网络 (LeNet,AlexNet,ResNet50,VGGNet16) 来检测特定的眼部迹象,如和外眼.
主要成果:
- DSE-Net实现了高细分性能,Dice系数高达95.1%,优于其他七种模型.
- SegmenView表现出强大的诊断能力,内部曲线下面面积 (AUC) 得分高达90.07%,外部AUC在55.58%至84.29%之间.
- 开发的系统的性能优于现有的半面和半眼模型,并有效地平衡了诊断准确性与隐私保护.
结论:
- 拟议的AI方法SegmenView提供了准确,可概括和保护隐私的眼睛标志的检测.
- 该系统显示出在临床环境中轻量化部署的潜力,用于早期诊断眼病.
- 梯度加权类激活映射 (Grad-CAM) 可视化增强了模型的解释性.
