青光眼影像人工智能深度学习研究现状与展望
发布时间：2021-09-29 21:53
青光眼是一组异质性神经退行性疾病,其特征是视网膜神经节细胞及其轴突逐渐消失,现已成为全球不可逆性失明的主要原因。人工智能（AI）是由机器展示的智能,而深度学习（DL）是其中一个基于深度神经网络的分支,在医学成像领域取得了重大突破。在青光眼影像方面,已有越来越多的研究将DL应用于眼底图像以及光学相干断层扫描（OCT）,以检测青光眼性视神经病变。有很好的结果显示,将DL技术整合到影像中进行青光眼评估是高效、准确的,这可能会解决当前实践和临床工作流程中的一些难题。但是,未来进一步的研究对于解决现存挑战至关重要,例如为不同研究之间的图像标记建立标准,将"黑匣子"的学习过程进行可视化,提高模型在未知数据集上的泛化能力,开发基于DL的实际应用程序,以及建立合理的临床工作流程,进行前瞻性验证和成本效益分析等。本文总结了AI应用于青光眼影像的最新研究现状,并讨论了对临床的潜在影响和未来的研究方向。
【文章来源】：山东大学学报(医学版). 2020,58(11)北大核心
【文章页数】：10 页
【部分图文】：
人工智能、机器学习以及深度学习
表1 DL模型开发与性能评估的基本数据设置Tab.1 The basic data sets for the development and performance evaluation of deep learning models 术语 说明 训练集 与调试集和内部验证集来自同一个大的数据集,是基于一定比例划分且互不重合,用于建立深度学习模型。研究者可构建具有不同参数甚至不同网络架构的DL模型来学习训练集中青光眼性视神经改变的相关特征。 调试集 与训练集和内部验证集来自同一个大的数据集,是基于一定比例划分且互不重合,用于实时评估不同模型在训练期间的性能。研究者可根据实时观察的学习曲线进行参数调节,确定训练停止节点,并最终选择最佳DL模型。 内部测试集 与训练集和调试集来自同一个大的数据集,是基于一定比例划分且互不重合,用于评估所选的最佳DL模型在该未知数据集上的性能。临床研究中,研究者需汇报模型在内部测试集上的性能,通常包括受试者工作特征曲线下面积,灵敏度,特异性以及准确性等。 外部测试集 一个或多个独立的数据集,与训练集、测试集和内部验证集来自不同数据集,用于评估上述DL模型在其他未知数据集上的性能,验证其临床通用性。研究者同样需汇报模受试者工作特征曲线下面积、灵敏度、特异性以及准确性等。当DL模型在内部以及外部测试集都具有较好性能时,即证明该模型有良好的通用性。 K-倍交叉验证 主要用于数据量有限时。将整个大的数据集分为k个相等的小数据集,其中(k-1)个合并为训练集用于模型开发,剩下的一个作为测试集评估模型性能。该训练过程重复k次,每次选择其中一个小数据集用作测试集。研究者应汇报所有测试集的平均性能,通常为 x ˉ ±s 。 留一法交叉验证 主要用于数据量非常有限时,是一种特殊类型的K-倍交叉验证,此时K等于数据总数(即标注图像的总数)。仅留下一张图像来测试模型性能,其他图像全部用于训练。该训练过程同样重复k次,研究者应汇报所有测试集的平均性能,通常为 x ˉ ±s 。2 DL在青光眼眼底图像的应用
虽然眼底照相更便捷经济,可能适用于资源匮乏的区域或初级诊疗中心,OCT可进行三维立体成像,并测得客观数据,对于青光眼的检测更准确,近十多年临床上应用的也越来越多。目前,已有研究实现了用OCT相关数据或者图像来训练DL模型,以检测GON。这些DL模型主要分三类,具有不同类型的输入:①传统OCT报告中的测量参数、厚度图、偏差图和俯视图; ②未分割的二维扫描图; ③未分割的三维立体扫描图。见图3。3.1 基于OCT报告中测量参数或图像的DL模型
本文编号：3414543
【文章来源】：山东大学学报(医学版). 2020,58(11)北大核心
【文章页数】：10 页
【部分图文】：
人工智能、机器学习以及深度学习
表1 DL模型开发与性能评估的基本数据设置Tab.1 The basic data sets for the development and performance evaluation of deep learning models 术语 说明 训练集 与调试集和内部验证集来自同一个大的数据集,是基于一定比例划分且互不重合,用于建立深度学习模型。研究者可构建具有不同参数甚至不同网络架构的DL模型来学习训练集中青光眼性视神经改变的相关特征。 调试集 与训练集和内部验证集来自同一个大的数据集,是基于一定比例划分且互不重合,用于实时评估不同模型在训练期间的性能。研究者可根据实时观察的学习曲线进行参数调节,确定训练停止节点,并最终选择最佳DL模型。 内部测试集 与训练集和调试集来自同一个大的数据集,是基于一定比例划分且互不重合,用于评估所选的最佳DL模型在该未知数据集上的性能。临床研究中,研究者需汇报模型在内部测试集上的性能,通常包括受试者工作特征曲线下面积,灵敏度,特异性以及准确性等。 外部测试集 一个或多个独立的数据集,与训练集、测试集和内部验证集来自不同数据集,用于评估上述DL模型在其他未知数据集上的性能,验证其临床通用性。研究者同样需汇报模受试者工作特征曲线下面积、灵敏度、特异性以及准确性等。当DL模型在内部以及外部测试集都具有较好性能时,即证明该模型有良好的通用性。 K-倍交叉验证 主要用于数据量有限时。将整个大的数据集分为k个相等的小数据集,其中(k-1)个合并为训练集用于模型开发,剩下的一个作为测试集评估模型性能。该训练过程重复k次,每次选择其中一个小数据集用作测试集。研究者应汇报所有测试集的平均性能,通常为 x ˉ ±s 。 留一法交叉验证 主要用于数据量非常有限时,是一种特殊类型的K-倍交叉验证,此时K等于数据总数(即标注图像的总数)。仅留下一张图像来测试模型性能,其他图像全部用于训练。该训练过程同样重复k次,研究者应汇报所有测试集的平均性能,通常为 x ˉ ±s 。2 DL在青光眼眼底图像的应用
虽然眼底照相更便捷经济,可能适用于资源匮乏的区域或初级诊疗中心,OCT可进行三维立体成像,并测得客观数据,对于青光眼的检测更准确,近十多年临床上应用的也越来越多。目前,已有研究实现了用OCT相关数据或者图像来训练DL模型,以检测GON。这些DL模型主要分三类,具有不同类型的输入:①传统OCT报告中的测量参数、厚度图、偏差图和俯视图; ②未分割的二维扫描图; ③未分割的三维立体扫描图。见图3。3.1 基于OCT报告中测量参数或图像的DL模型
本文编号：3414543
本文链接：https://www.wllwen.com/yixuelunwen/wuguanyixuelunwen/3414543.html
最近更新
教材专著
