海洋和海域国家/地区的放射学和机器学习能够准确检测Fruste Keratoconus的形式
Shenglong Luo1, Xuefei Li1, Kuangching Lin1
1National Engineering Research Center of Ophthalmology and Optometry, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, China; National Clinical Research Center for Ocular Diseases, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, China; State Key Laboratory of Eye Health, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, China.
对角膜光学连贯断层扫描 (OCT) 图像的机器学习分析准确地检测出状角质 (FFKC). 这种放射学方法提供了一种非侵入性的方法,用于早期皮的查,提高诊断能力.
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:
- 角膜成像分析对于诊断眼睛疾病至关重要.
- 早期检测形,如形形 (FFKC),对于有效的管理至关重要.
- 传统的诊断方法可能并不总是能够识别出微妙的早期变化.
研究的目的:
- 评估基于放射学的机器学习模型的诊断准确性,使用角膜光连贯断层扫描 (OCT) 图像来检测FFKC.
- 评估不同机器学习分类器在从OCT数据中识别FFKC的性能.
主要方法:
- 分析了307只眼睛 (234只正常,73只FFKC) 的角膜OCT图像.
- 从OCT图像中提取了基于纹理的放射性特征.
- 三个机器学习模型 (随机森林,C5.0,XGBoost) 被训练并使用AUC,灵敏度和特异性等指标进行评估.
主要成果:
- 一种放射学方法提取了3,752个特征,其中41个被选择用于模型训练.
- 所有测试的机器学习模型都显示出高的诊断性能 (AUC > 0.92).
- XGBoost模型获得了最高的精度 (AUC=0.93,特异性=0.978,精度=0.950),主要特征集中在下角膜.
结论:
- 角膜OCT图像的放射学分析与机器学习相结合,可提供准确的FFKC检测.
- 这种非侵入性,单一设备的方法提供了超越标准形态评估的诊断见解.
- 这项研究提出了一个潜在的成像生物标志物,用于早期皮的查和表征亚临床角膜脱光症.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
