域移动人工智能技术用于来自3D OCT扫描的供应商不可知多重斑点疾病检测
Zi Qi Tang1, Yu Han Zhang2, An Ran Ran1
1Department of Ophthalmology and Visual Sciences, The Chinese University of Hong Kong, Hong Kong Special Administrative Region, China.
JAMA ophthalmology
|February 26, 2026
概括
一个新的深度学习 (DL) 模型分析了来自不同供应商的光学连贯性断层扫描 (OCT) 扫描,实现了高精度的疾病检测. 这种不依赖供应商的方法提高了在各种眼科环境中的诊断能力.
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:
- 深度学习 (DL) 模型需要多样化的数据集来进行可靠的疾病检测.
- 光学连贯性断层扫描 (OCT) 扫描对于诊断黄斑状况至关重要.
- 由于数据异质性,分析来自不同供应商的OCT扫描是一个重大挑战.
研究的目的:
- 开发一个不依赖供应商的DL模型,用于使用多个供应商的3D OCT扫描进行多重疾病分类.
- 为了评估模型在不同海外国家和地区的供应商和扫描类型 (2D/3D) 的性能.
- 为新出现的斑点状况和分类模块加入"不确定的"类别.
主要方法:
- 一个残余神经网络 (ResNet) 3D模型被训练在来自供应商1的3D OCT扫描上.
- 使用无监督域调整技术 (测试) 来解决供应商差异.
- 该模型在来自供应商1和供应商2的9个外部数据集上进行了测试,包括2D扫描.
主要成果:
- 无关供应商的DL模型在不同供应商中表现出高的诊断性能,接收器操作特征曲线 (AUROC) 下的区域范围从0.754到0.999.
- 微平均负预测值 (NPV) 始终超过97.5%.
- "不确定的"类别显示高特异性和精度,但灵敏度可变,临床重要错误率低于紧急和半紧急病例的9%.
结论:
- 开发的供应商无关的DL模型显示出在眼科护理环境中广泛部署的巨大潜力.
- 这项技术可以在现代眼科实践中简化疾病检测和分类.
- 该模型能够处理多样化的OCT数据,提高了其临床实用性和适用性.
