Эта работа по искусственному интеллекту представляет глубокую модель обучения для классификации стадий возрастной макулярной дегенерации с использованием сканов реального мира сетчатки с помощью OCT

Глубокая модель обучения для классификации возрастной макулярной дегенерации с использованием сканов реального мира сетчатки с помощью OCT работа по искусственному интеллекту

Новая научная статья представляет глубоко обученный классификатор на основе глубокого обучения для стадий возрастной макулярной дегенерации (AMD) с использованием ретинальной оптической когерентной томографии (OCT) сканирования. Используя двухэтапную сверточную нейронную сеть, модель классифицирует макулу-центрированные 3D объемы изображений Topcon OCT на нормальные, ранние / промежуточные стадии AMD (iAMD), атрофические (GA) и новообразования (nAMD). Первый этап использует 2D ResNet50 для классификации B-сканов, а второй этап использует более маленькие модели (ResNet) для классификации объема.

Модель, обученная на значительном наборе данных, успешно классифицирует макулу-центрированные 3D объемы на нормальные, iAMD, GA и nAMD стадии. Исследование подчеркивает важность точной классификации AMD для своевременного начала лечения. Показатели производительности включают ROC-AUC, сбалансированную точность, точность, F1-меру, чувствительность, специфичность и коэффициент корреляции Мэтьюса.

Исследование подробно описывает создание системы на основе глубокого обучения для автоматизированного обнаружения и стадирования AMD с использованием ретинального OCT-сканирования. OCT, неинвазивная методика изображения, является ключевым в предоставлении детальных сведений о стадировании AMD по сравнению с традиционными методами. Исследование подчеркивает важность точной классификации AMD для эффективного лечения и сохранения зрительных функций. Исследование подчеркивает важность качественных наборов данных для надежного анализа.

В исследовании была использована двухэтапная модель глубокого обучения с использованием предварительно обученной ImageNet ResNet50 и четырех отдельных ResNet для бинарной классификации биомаркеров AMD на OCT-сканированиях. На первом этапе выполняется локализация категорий заболевания в объеме, а на втором этапе выполняется классификация на уровне объема. Модель, обученная на реальном наборе данных OCT, продемонстрировала многообещающие показатели производительности, включая ROC-AUC, сбалансированную точность, точность, F1-меру, чувствительность, специфичность и коэффициент корреляции Мэтьюса. Исследование отмечает проблемы, связанные с использованием разнообразных наборов данных OCT от разных устройств, и обсуждает потенциальные проблемы обобщения.

Система обнаружения и стадирования AMD на основе глубокого обучения продемонстрировала многообещающие показатели в среднем ROC-AUC 0,94 на реальном наборе данных для тестирования. Внедрение метода выпадения Монте-Карло во время вывода повысило надежность оценок неопределенности классификации. Исследование использовало отобранный набор данных из 3995 объемов OCT от 2079 глаз и оценивало производительность с помощью различных метрик, включая AUC, BACC, ACC, F1-меру, чувствительность, специфичность и коэффициент корреляции Мэтьюса. Результаты подчеркивают потенциал модели для точной классификации и стадирования AMD, способствуя своевременному лечению и сохранению зрительных функций.

Исследование успешно разработало автоматизированную систему обнаружения и стадирования AMD на основе глубокого обучения с использованием OCT-сканирования. Двухэтапная сверточная нейронная сеть точно классифицирует макулу-центрированные 3D объемы на четыре класса: нормальные, iAMD, GA и nAMD. Модель глубокого обучения показала сравнимую или лучшую производительность по сравнению с базовыми подходами, с дополнительным преимуществом локализации заболевания на уровне B-скана.

Дальнейшие исследования могут улучшить обобщаемость модели глубокого обучения для различных OCT-устройств, рассмотрев адаптацию к сканерам Cirrus и Spectralis. Следует исследовать методы адаптации смещения домена, чтобы решить проблемы, связанные с обучением на конкретных наборах данных, обеспечивая надежность производительности при различных соотношениях сигнал-шум. Потенциал модели для обнаружения задержки начала AMD на основе данных в долгосрочной перспективе можно расширить, что позволит автоматически подписывать продолжительные наборы данных. Применение оценок неопределенности в условиях реального скрининга и исследование модели для обнаружения других биомаркеров заболеваний помимо AMD являются перспективными направлениями для будущих исследований, способствуя скринингу заболеваний в более широкой популяции.