多模态深度学习区分乳头和非关节性前部缺血光学神经病变与健康的眼睛
David Szanto1, Asala Erekat2, Brian Woods3,4
1Department of Ophthalmology, New York Eye and Ear Infirmary at Mount Sinai, New York, New York, United States.
Investigative ophthalmology & visual science
|January 14, 2026
概括
将光学连贯断层扫描 (OCT) 和 fundus 照片与深度学习 (DL) 结合起来,显著改善了在异常性内高血压 (IIH) 和非动脉炎前侧缺血性视神经病变 (NAION) 中视神经头部胀的诊断. 这种多模式的方法提高了区分这些条件与健康眼睛的准确性.
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:
- 视神经头部 (ONH) 胀是异常性内高血压 (IIH) 和非动脉炎前侧缺血性视神经病变 (NAION) 的关键指标.
- 准确地区分这些情况与健康的眼睛存在诊断挑战.
研究的目的:
- 通过多模式深度学习 (DL) 方法提高诊断准确度,以区分IIH,NAION和健康的眼睛.
- 整合光学连贯性断层扫描 (OCT) 扫描和 fundus 照片,以改善分类.
主要方法:
- 开发了OCT (3D-ResNet-18) 和 fundus 照片 (ResNet-50) 的单独DL模型.
- 使用了7019张OCT扫描和17657张 fundus照片的数据集,确保在 papilledema,NAION 和健康眼睛之间得到平衡的表现.
- 使用F1加权总和 (F1WS) 和XGBoost进行多式联络分析的组合模型输出.
主要成果:
- 单个模型实现了高准确度:OCT (93.5%) 和基金照片 (93.9%).
- 多模式模型表现出卓越的性能:F1WS (97.5%) 和XGBoost (98.3%) 的精度.
- 使用AUC-ROC,准确性,精度,回忆和F1分数来评估性能.
结论:
- 整合OCT和 fundus 照片显著提高了 ONH 胀条件的分类准确性.
- 这种多模式的DL方法为IIH和NAION的诊断和临床管理提供了宝贵的支持.
- 未来的扩展可能会包含额外的数据来源,如斑点扫描或视觉现场测试.
