神经象征性AI框架用于从OCT图像解释的视网膜疾病分类
Aleksandar Miladinovic1, Alessandro Biscontin1, Miloš Ajcevic2
1Institute for Maternal and Child Health IRCCS "Burlo Garofolo," Trieste, Italy.
Translational vision science & technology
|January 14, 2026
概括
一个新的神经象征性AI模型通过将深度学习与临床规则相结合来增强视网膜疾病的分类. 这种方法提高了诊断准确度,并为诸如黄斑变性和黄斑孔等疾病提供了可解释的决策.
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:
- 对视网膜疾病的准确分类对于有效的患者治疗至关重要.
- 传统的深度学习模型面临着不平衡的数据集和眼科缺乏解释性的挑战.
研究的目的:
- 开发和评估一个神经符号框架,以改善视网膜疾病的分类.
- 用人工智能提高眼科诊断性能和临床解释性.
主要方法:
- 提出了一个混合的神经符号框架,将卷积神经网络 (CNN) 与象征推理层集成在一起.
- 分析了7个诊断类别的10846张光连贯断层扫描图像.
主要成果:
- 与独立的CNN相比,神经符号模型在内部 (宏 F1: 0.81) 和外部 (宏 F1: 0.78) 数据集上都取得了卓越的性能.
- 该模型展示了改进的宏观精度和回忆,在诊断准确度方面表现优于CNN.
结论:
- 拟议的神经符号框架提供了一个统一的范式,将符号推理与CNN结合起来,以提高诊断性能.
- 这种方法提供了透明的,临床上可解释的决策,特别有利于罕见和复杂的视网膜疾病.
