利用大规模的深度学习模型用于诊断和视觉预测视网膜色素炎的结果
Tatsuya Nagai1, Koya Homma2, Yuto Kawamata1
1Department of Ophthalmology and Visual Science, Graduate School of Medicine, Chiba University, Chiba, Japan.
NPJ digital medicine
|January 8, 2026
概括
使用 fundus 图像的深度学习模型可以高精度地诊断视网膜色素炎 (RP). 结合成像和临床数据的混合方法改善了RP患者的视觉预后预测.
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:
- 视网膜色素炎 (RP) 是遗传性失明的主要原因,其特点是视网膜逐渐退化.
- 目前对RP的治疗选择有有限的适应症,这凸显了需要改进的诊断和预后工具的需要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,使用基底图像来诊断RP.
- 通过整合DL衍生图像特征和临床数据,创建一个预后模型来预测RP患者的视觉结果.
主要方法:
- 利用大规模的DL模型,包括EfficientNetB4,预先训练使用 fundus图像进行RP诊断.
- 应用机器学习对DL提取的特征和用于视觉预后的临床元数据进行生存分析.
- 采用严格的患者级数据分割来防止泄漏并确保模型的稳定性.
主要成果:
- EfficientNetB4模型在RP诊断方面实现了0.94的曲线下面面积 (AUC),在视力良好的情况下表现最好.
- 结合成像和临床数据的混合模型显示出与使用单一模式的模型相比,更好的预后性能,特别是在女性患者中.
- 时间依赖的AUC分析表明,在检查后500至1400天之间,预后性能达到顶峰.
- SHAP分析揭示了RP诊断与预后不同的成像特征.
结论:
- 基于Fundus图像的DL模型为诊断RP提供了有价值的工具.
- 将成像功能与临床数据相结合,可以显著提高RP视觉预后的预测.
- 对于这些人工智能驱动模型的临床实施,需要进一步的多中心验证.
