Aug, 2024

青光眼生物标志物的潜在关系挖掘: 基于TRI-LSTM的深度学习

HTML
PDF
TL;DR本研究针对青光眼检测与分类中的机器学习模型可解释性不足的问题，借鉴认知科学，提出了一种以生物标志物为中心的分层决策系统。我们开发的TRI-LSTM时间序列模型首次探讨了青光眼生物标志物之间的内在联系，监测患者疾病状态的时间关系，显著提高了疾病相关临床信息的捕捉与保留效果。
发现论文，激发创造
  • 基于注意力的青光眼检测：一个大规模数据库和 CNN 模型

    本研究提出了一种基于注意力机制的卷积神经网络 (AG-CNN) 用于青光眼检测，其包括一个注意预测子网，一个病理区域定位子网和一个青光眼分类子网，并且通过与现有的青光眼检测方法的比较显示出了明显的优越性。

    Mar, 2019

  • 基于可解释人工智能的青光眼检测：迁移学习和LIME

    通过与多个预训练模型的比较，本文提出了一种具有94.71％分类准确率的转移学习模型来识别青光眼，并利用本文的Local Interpretable Model-Agnostics Explanations (LIME)方法来帮助医疗专业人员理解该系统的预测过程。这种改进使传统深度学习模型的不透明和脆弱性得到缓解，并为医疗专业人员提供了重要的综合信息以帮助他们做出判断。

    Oct, 2022

  • 深度学习与计算机视觉在青光眼检测中的应用综述

    该研究通过调查最近的研究，使用眼底图像、光学相干断层扫描和视野图像等方法基于人工智能的青光眼诊断，特别关注利用深度学习的方法。研究提供了最新的分类法，并包含可用源代码的链接，以提高研究方法的可重复性。通过对广泛使用的公共数据集进行严格的基准测试，揭示了在普适性、不确定性估计和多模态集成方面的性能差距。此外，调查展示了关键数据集和限制，如规模、标签不一致性和偏见。我们描述了未来研究的开放性挑战并详细阐述了有前景的方向。此调查旨在对希望将进展转化为实践的人工智能研究人员以及希望利用最新人工智能成果改善临床工作流程和诊断的眼科医生有所帮助。

    Jul, 2023

  • 哈佛青光眼检测与进展：多模态多任务数据集和强化泛化的半监督学习

    青光眼是全球不可逆盲的主要原因。本研究针对有限的带有最先进的光学相干断层扫描（OCT）3D视网膜成像数据的标记患者的瓶颈问题，提出两种解决方案。首先，我们开发了一种新型的广义增强半监督学习（SSL）模型，称为伪监督器，以最佳方式利用无标签数据。与最先进的模型相比，所提出的伪监督器通过预测未标记样本的伪标签来优化策略，以提高经验概括能力。我们的伪监督器模型通过进行青光眼检测和进展预测两个临床任务进行评估。进展预测任务以单模态和多模态方式进行评估。我们的伪监督者模型表现出优于最先进SSL比较模型的性能。此外，我们的模型在公开可用的LAG眼底数据集上也取得了最佳结果。其次，我们引入了哈佛青光眼检测和进展（Harvard-GDP）数据集，这是一个多模态多任务数据集，包括来自1,000例患者的OCT成像数据，以及青光眼检测和进展的标签。这是一个拥有3D OCT成像数据的最大的青光眼检测数据集，也是公开可用的第一个青光眼进展预测数据集。我们提供了详细的性别和种族分析，供有兴趣的研究人员用于公平学习研究。我们的数据集通过几个最先进的有监督的CNN和Transformer深度学习模型进行了基准测试。数据集和代码可通过https://ophai.hms.harvard.edu/datasets/harvard-gdp1000公开获取。

    Aug, 2023

  • 探索青光眼检测的深度学习技术：综述

    近期的研究发现，深度学习算法在自动生成眼底图像特征以检测青光眼方面具有潜力，本文综述了目前应用于青光眼分割、分类和检测的前沿深度学习方法，评估了这些技术的有效性和局限性，突出了关键发现并指出了进一步研究的潜在领域。深度学习算法的运用有望显著提高青光眼检测的效果、实用性和准确性，该研究结果对于自动青光眼检测的持续发展具有重要意义，能够改善患者预后并减轻全球青光眼的疾病负担。

    Nov, 2023

  • 基于多尺度时空变换的不平衡纵向学习，用于从不规则时间序列图像预测青光眼

    青光眼预测的研究引入了基于变压器架构的多尺度时空变换网络(MST-former)，针对时序图像输入进行了特定设计，可以在时空维度上有效地学习图像的语义信息；在不规则采样数据方面，引入了时间距离矩阵来非线性地缩放时间注意力；此外，通过温度控制的平衡Softmax交叉熵损失函数解决了类别不平衡问题。实验结果表明，MST-former方法在青光眼预测方面表现出卓越的优势，AUC值达到98.6%；在阿尔茨海默病神经成像倡议(MRI)数据集上，对轻度认知损害和阿尔茨海默病的预测准确率为90.3%，明显优于对比方法。

    Feb, 2024

  • 利用眼部结构变化预测青光眼进展的深度学习

    利用深度学习模型，该研究探索了青光眼的结构功能关系，从结构性眼部退化中预测功能受损，并且开发出半监督时间序列算法以准确预测青光眼的进展。

    Jun, 2024

  • GS-Net：全球自注意力引导的卷积神经网络用于多阶段青光眼分类

    本研究针对青光眼早期检测的需求，提出了一种全新的全球自注意力网络GS-Net，旨在解决现有方法在多阶段青光眼分类中的不足。通过引入全球自注意力模块，GS-Net能够更有效地提取眼底图像中的特征，实验结果显示其在分类性能上超越了现有的先进算法，具有显著的临床应用潜力。

    Sep, 2024

  • 通过扩散模型推断不规则纵向序列中的前瞻性青光眼眼底图像

    本研究解决了目前青光眼进展预测方法不足以有效捕捉疾病发展轨迹的问题。我们提出了一种基于扩散模型的新方法，通过现有的纵向眼底图像推断前瞻性图像，并在训练过程中克服了不规则时间间隔的问题。实验结果表明，该模型不仅能有效生成纵向数据，还显著提高了下游分类任务的准确性。

    Oct, 2024

  • 自监督去噪视觉场数据提升青光眼进展检测

    本研究解决了青光眼视野数据噪声大、变异性高的问题。通过自监督深度学习方法，使用变分自编码器和掩蔽自编码器对视野数据进行去噪，显著提高了信噪比和青光眼进展的检测能力。研究发现，采用掩蔽自编码器可以更有效地平滑数据，并且引入每个位置的分类p值能提前2.3个月预测青光眼的进展。

    Nov, 2024