Aug, 2017

利用深度学习从视网膜底照片预测心血管风险因素

PDF
TL;DR通过使用深度学习技术在 284,335 个患者的视网膜底部图像数据和 12,026 和 999 个独立数据集上进行训练，我们预测了视网膜图像中以前未被认为存在或可以量化的心血管风险因素，例如年龄（在 3.26 岁内），性别（0.97 AUC），吸烟状况（0.71 AUC），HbA1c（在 1.39％内），收缩压（在 11.23mmHg 内），以及主要不良心脏事件（0.70 AUC），这为进一步的研究开辟了新的途径。
发现论文，激发创造
  • 通过眼底图像评估心血管疾病和风险因素的人工智能：过去十年的回顾

    应用人工智能与深度学习技术结合视网膜成像，实现心血管疾病早期检测和诊断的研究概览。

    Nov, 2023

  • 利用视网膜 OCT 图像预测心血管疾病风险

    通过自主学习的变分自编码器 (VAE) 在光学相干断层扫描 (OCT) 图像中学习低维表示，并结合参与者的人口统计学和临床数据，使用随机森林 (RF) 分类器来识别未来心血管疾病风险，其性能较 QRISK3 评分更优，证明视网膜 OCT 成像是一种经济高效的非侵入性方法来预测心血管疾病风险。

    Mar, 2024

  • 利用人工智能和视网膜成像替代基于 Framingham 的心血管疾病风险和不良结果预测方程

    本研究旨在创建和评估一个人工智能深度学习平台 (ORAiCLE)，该平台仅使用视网膜底部图像即可预测个体在 5 年内的心血管疾病 (CVD) 风险以及构成该风险的组成部分的相关贡献。使用 Framingham 公式计算风险，与 ORAiCLE 相比，其在高风险人群中预测心血管事件的准确性最高可提高 12％。因此，学习者认为这种基于人工智能的 CVD 风险算法有望使患者更精确，更实惠，更易于得到诊断。

    Jul, 2022

  • 用生成模型解耦视网膜图像的表示

    通过引入新颖的人群模型和基于距离相关性的解缠结损失函数，我们成功实现了视网膜底图像的控制性和高度逼真的生成，并揭示了患者属性和技术混杂因素在图像生成中的复杂关系。

    Feb, 2024

  • 糖尿病视网膜病变特征提取和分类的卷积神经网络模型

    应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注，我们通过提出一种新型的卷积神经网络模型，借助眼底图像作为输入，可以识别到糖尿病视网膜病变的严重程度，并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类，能够提供准确的诊断结果并且不需要额外用户输入，我们提供了初步结果表明灵敏度为 97% 准确性为 71%，我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型，我们的模型推动了糖尿病视网膜病变检测领域的发展，是向以人工智能为重点的医学诊断迈进的重要一步。

    Oct, 2023

  • 结合基于分割的血管增强和深度学习特征的一种改进的视网膜疾病诊断方法

    该论文提出了一种快速、客观、准确的诊断与视网膜底层图像相关疾病的方法，采用多分类研究正常样本和 13 类疾病样本在 STARE 数据库上，测试集准确率达到 99.96%，并与其他研究相比取得了最高准确率。创新地提出 “基于分割的血管增强（SVE）” 方法，经比较深度学习模型在 SVE 图像、原始图像和平滑 Grad-CAM ++ 图像上的分类性能后，提取 SVE 图像的深度学习特征和传统特征并输入到九个元学习器进行分类，结果表明我们提出的 UNet-SVE-VGG-MLP 模型在 STARE 数据库上对与视网膜底层图像相关疾病的分类具有最佳性能，测试集的整体准确率达到 99.96%，14 个类别的加权 AUC 为 99.98%。该方法可实现视网膜底层图像相关疾病的快速、客观、准确的分类与诊断。

    May, 2024

  • 应用深度学习算法对糖尿病视网膜病变进行检测和分类，以进行分割以便推荐测试和治疗预测

    这项研究探讨了糖尿病视网膜病变（DR）这个潜在导致失明的糖尿病严重并发症。利用卷积神经网络（CNNs）进行迁移学习的提出的方法，通过一张眼底照片实现自动 DR 检测，在 APTOS 2019 获盲视检测竞赛中取得了高达 0.92546 的二次加权 Kappa 分数。研究回顾了关于 DR 检测的现有文献，从经典计算机视觉方法到深度学习方法，特别关注 CNNs。它发现了研究中的空白，强调了在整合预训练的大型语言模型和分割图像输入以生成建议和了解网络应用环境中的动态交互方面的不足。目标包括制定全面的 DR 检测方法、探索模型整合、通过竞赛排名评估性能、在 DR 检测方法方面做出显著贡献，并确定研究中的空白。该方法涉及数据预处理、数据增强以及使用 U-Net 神经网络架构进行分割。U-Net 模型有效地分割视网膜结构，包括血管、硬性和软性渗出物、出血、微血管瘤和眼盘。在 Jaccard 系数、F1 得分、召回率、精确率和准确度方面的高评价分数凸显了该模型在视网膜病理评估中提升诊断能力的潜力。这项研究的成果有望通过及时诊断和干预来改善糖尿病视网膜病变患者的预后，对医学图像分析领域做出重要贡献。

    Jan, 2024

  • 利用视网膜底部图像进行屈光不正预测的深度学习

    本文研究使用深度学习算法通过视网膜底照片准确预测屈光不正，结果显示使用关注图方法可以识别与屈光不正相关的特征，该算法在 UK Biobank 数据集上的平均绝对误差为 0.56 diopters（95% CI: 0.55-0.56），在 AREDS 数据集上为 0.91 diopters（95% CI: 0.89-0.92），因此，在没有自动折射仪的地区，可以使用移动电话获取视网膜底照片来预测屈光不正水平。

    Dec, 2017

  • HyMNet：一种基于眼底照片和心脏代谢风险因素的高血压分类的多模态深度学习系统

    通过融合眼底图像、年龄和性别，采用深度学习技术开发了一种多模态深度学习系统 HyMNet，用于提高高血压检测的准确性。该系统结合了眼底图像和心血管代谢风险因素，通过 DenseNet-201 架构和全连接神经网络进行联合训练，并取得了相比单模态模型更高的高血压检测 AUC 0.791。

    Oct, 2023

  • 利用光电容积脉搏波和深度学习预测心血管疾病风险

    通过使用智能手机上的 PPG 感应技术，我们建立了一种基于深度学习的 CVD 风险预测模型，可预测十年内患心血管疾病的可能性，该模型采用年龄、性别、吸烟状态和 PPG 等因素作为预测因子，可在医疗资源有限的地区提供一种基于社区的初级预防方法。

    May, 2023