一种基于零射击学习的通用眼病检测方法

科学领域:

• 眼科医生 眼科 眼科
• 医学图像分析 医学图像分析
• 人工智能的人工智能

背景情况:

• 医学成像中的深度学习受到大型,专家注释的数据集的需求的阻碍,特别是在眼科中,用于早期检测疾病,如轻度糖尿病视网膜病变 (DR1).
• 对微妙的DR1病变进行注释的稀缺性限制了传统监督学习方法的有效性.

研究的目的:

• 利用模拟临床推理的零射击学习 (ZSL) 开发一种可泛化的眼睛疾病检测框架.
• 为了实现无人监督的DR1检测,而不需要任何标记的DR1病例.

主要方法:

• 利用了LCFP-14M数据集,这是一个新的大规模 fundus 图像资源.
• 采用语网络来识别疾病相关性,并通过从相关源疾病中对DR1特异性病变进行细分来转移知识.
• 实施了一个ResNet-Agglomerative集群管道,用于无监督的DR1检测.

主要成果:

• 拟议的ZSL框架实现了有效的DR1检测,没有注释DR1数据.
• 性能指标包括准确性 (0.8337),精度 (0.8700),回忆 (0.7456),F1得分 (0.8030) 和ROC-AUC (0.9226).
• 该框架在外部测试数据集上表现优于大多数监督基线.

结论:

• 零射击学习 (ZSL) 可以有效模拟眼睛疾病的临床诊断逻辑.
• 该方法展示了用于检测看不见的眼睛疾病的概括能力.
• 这为在具有有限标记数据的场景中进行自动选提供了有希望的途径.