Выставка продуктов для сухих глаз 2023 г.
Jul 17, 20233D лазерный сканер
May 25, 20235 факторов, которые следует учитывать при покупке солнцезащитных очков
Oct 21, 2023Модель глубокого обучения, включающая пространственную и временную информацию, успешно обнаруживает ухудшение поля зрения, используя подход, основанный на консенсусе.
Jun 28, 2023Модель глубокого обучения, включающая пространственную и временную информацию, успешно обнаруживает ухудшение поля зрения, используя подход, основанный на консенсусе.
Aug 23, 2023Диагностика глаукомы с помощью мульти
Научные отчеты, том 12, Номер статьи: 8064 (2022) Цитировать эту статью
4069 Доступов
8 цитат
2 Альтметрика
Подробности о метриках
В этом исследовании мы стремились облегчить текущую диагностическую оценку глаукомы путем анализа множества особенностей и введения новой характеристики поперечного сечения головки зрительного нерва (ГЗН) на изображениях оптической когерентной томографии (ОКТ). Данные (n = 100 как для глаукомы, так и для контроля) были собраны на основе структурных, функциональных, демографических факторов и факторов риска. Функции были статистически проанализированы, и наиболее важные четыре функции были использованы для обучения алгоритмов машинного обучения (ML). Два алгоритма ML: глубокое обучение (DL) и логистическая регрессия (LR) сравнивались с точки зрения точности классификации для автоматического обнаружения глаукомы. Производительность моделей ML оценивалась на невидимых тестовых данных, n = 55. Затем было проведено пилотное исследование сегментации изображений на поперечных ОКТ-сканах. Область чашки ONH была извлечена, проанализирована, и новая модель DL была обучена для прогнозирования глаукомы. Модель DL оценивалась с использованием пятикратной перекрестной проверки и сравнивалась с двумя предварительно обученными моделями. Модель DL, обученная на основе оптимальных функций, достигла значительно более высоких диагностических характеристик (площадь под кривой рабочей характеристики приемника (AUC) 0,98 и точность 97% по данным проверки и 96% по данным испытаний) по сравнению с предыдущими исследованиями автоматического обнаружения глаукомы. Вторая модель DL, использованная в пилотном исследовании, также показала многообещающие результаты (AUC 0,99 и точность 98,6%) для выявления глаукомы по сравнению с двумя предварительно обученными моделями. В совокупности результаты двух исследований убедительно свидетельствуют о том, что четыре характеристики и площадь поперечного сечения чашки ONH, обработанная с использованием глубокого обучения, имеют большой потенциал для использования в качестве инструмента первоначального скрининга глаукомы, который поможет врачам принять точное решение.
Глаукома — это потенциально ослепляющая оптическая нейропатия с разнообразной этиологией, характеризующаяся потерей ганглиозных клеток сетчатки (RGC). Клинически он характеризуется анатомическими изменениями головки зрительного нерва (ГЗН), преимущественно истончением и искривлением назад листов решетчатой пластинки, что клинически проявляется как купирование ЗЗН1. Выявление и мониторинг глаукомной оптической нейропатии зависит от нескольких клинических особенностей, которые наблюдаются и оцениваются перед принятием клинического решения2. В настоящее время диагностика и мониторинг глаукомы требуют полного обследования глаз, дополнительных исследований и сбора большого количества данных, интерпретировать которые может быть сложно. Более того, существует значительное совпадение глазных особенностей нормальных людей и пациентов с ранней глаукомой. По этим причинам существует интерес к разработке дополнительных методов, таких как системы искусственного интеллекта (ИИ)3, чтобы помочь отличить истинную патологию от нормальной изменчивости и истинное прогрессирование от изменчивости между тестами.
После недавнего внедрения искусственного интеллекта в офтальмологии было исследовано и разработано несколько алгоритмов машинного обучения (ML) для автоматического обнаружения глаукомы, которые могут быстро обрабатывать изображения сетчатки и точно обнаруживать глаукоматозные повреждения при патологоанатомических тестах по сравнению с традиционными методами. Автоматическое обнаружение глаукомы с использованием более простых алгоритмов машинного обучения и продвинутых алгоритмов глубокого обучения (DL), в основном на основе изображений глаза, широко исследовалось с разными результатами. Большинство алгоритмов DL, обученных на изображениях глазного дна и ОКТ, выполняют два общих этапа; сегментация области интереса и классификация глаукомных и неглаукомных глаз. На ранних стадиях фотографии глазного дна широко использовались для оценки и выявления глаукомы с использованием методов искусственного интеллекта4,5,6,7,8. Тинг и др.9 обучили модель DL на 71 896 проверенных фотографиях глазного дна сетчатки для выявления возможной глаукомы с AUC 0,942.
Кроме того, Асаока и др.10 применили модель переноса обучения к макулярным ОКТ-изображениям и оценили ее диагностическую эффективность на независимом наборе данных, состоящем из нормального глаза и глаз с ранним началом глаукомы. AUC модели составил 0,93, что было значительно больше по сравнению с другими методами машинного обучения, такими как машина опорных векторов (SVM) и случайный лес (RF). и др.11 обучили изображения глазного дна и ОКТ с использованием модели VGG19, чтобы отличить глаукоматозный глаз от нормальных, и достигли AUC 0,94 для глазного дна и AUC 0,94 для четырех особенностей изображений ОКТ, а комбинация всех изображений достигла AUC. 0,96.