10+ исследовательских проектов в области искусственного интеллекта, о которых должен знать каждый
Feb 20, 2024Выставка продуктов для сухих глаз 2023 г.
Jun 25, 20237 каналов YouTube для изучения машинного обучения
Apr 30, 2024Обобщаемая регрессионная модель глубокого обучения для автоматического скрининга глаукомы по изображениям глазного дна
Jun 07, 2023Новый подход к рассеянному склерозу может изменить лечение других заболеваний
Jul 11, 2023Диагностика глаукомы с помощью мульти
Научные отчеты, том 12, Номер статьи: 8064 (2022) Цитировать эту статью
3897 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 с использованием 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.