OC
英语轻松读发新版了，欢迎下载、更新

人工智能增强了神经性疾病的检测

2025-06-17 10:04:56 英文原文

作者：David Szanto, BA

深度学习使用单眼图像辨别IIH，NAION和正常眼睛。

(Image Credit: AdobeStock/AndSus)

（图片来源：Adobestock/andsus）

我们开发了一种深度学习（DL）系统，该系统可以准确地区分由特发性颅内高压（IIH）与非自动性前缺血性视神经神经病（NAION）以及健康的眼睛以及外部验证的精度为93.6％的光盘肿胀。我们的发现，最近被美国眼科杂志1，在急诊部门和资源不足的环境中特别有价值，在这些专家（例如神经疾病学家）不可用的专家，或者临床医生不愿意解释眼底照片。

在资源有限的设置中的临床重要性

该模型仅使用一张眼底照片来区分IIH，NAION和健康的眼睛，因此可以帮助医疗保健提供者避免侵入性手术，例如腰椎穿刺或昂贵的成像。尽管没有确定的NAION测试，并且诊断通常会取决于临床评估，但它还以高精度鉴定出天真。通过准确地识别单个图像的IIH，NAION或健康的眼睛，该工具在及时，准确的神经感觉诊断中弥合了临界差距。

IIH和NAION都出现光盘肿胀，这会模糊椎间盘边缘并导致视觉障碍。2,3尽管在两种情况下肿胀可能看起来都相似，但潜在的机制是不同的。IIH与没有可识别的结构原因的颅内压增加有关。这种情况最常见于患有肥胖症的年轻女性，尽管它也会影响其他人口组的男人和个人。Naion是未知病因的视神经头肿胀，导致突然，无痛的视觉丧失目前没有治疗。尽管可能有例外，但这通常会影响老年人。尽管神经 - 恐怖分子学家通常可以区分这些疾病，但它们的微妙差异可能会引起混乱，尤其是对于很少见这种患者的非专业人士或繁忙的临床医生而言。4

DL迅速成为眼科中的重要工具。研究人员已经应用了DL技术来鉴定糖尿病性视网膜病，青光眼和与年龄相关的黄斑变性。在这些成功的基础上，我们和其他人使用DL来评估神经性疾病疾病中视盘水肿的严重程度。5-17这些成就，再加上基础摄像机的广泛可用性和成本，表明即使在紧急或资源有限的设置中，自动化图像分析也可以显着提高诊断效率。

模型培训，验证和性能

我们编制了3个类别的15,000多张眼底照片。IIH图像主要来自多中心临床试验18并补充了来自几个神经浏览诊所的轻度和重度IIH的现实照片。所有照片均显示1级或更高级别的弗里斯©n等级。幼稚的照片来自对急性幼稚的大型前瞻性研究19，补充了来自多个神经恐怖诊所的急性病例。此外，我们在试验，诊所和各种公共数据库中收集了健康眼睛的健康眼光。20,21这些数据集跨越了不同的成像设备和分辨率，以使模型更强大。

我们排除了过于模糊或不当暴露的图像，或者没有将视盘的图像居中。这种过滤过程阻止了系统拾取外部文物，并迫使其专注于视盘和毛皮毛发视网膜。

我们微调了最初对数百万自然图像进行训练的Resnet-50架构。22在随机旋转，翻译和颜色转换后，每个底面图像都被标准化并裁剪，因此视光盘位于中心。这种方法减少了模型从同一眼睛的重复图像中记住独特功能的机会。然后，我们在外部数据集上评估了1100多个以前看不见的图像，具有新患者，不同人口统计和不同相机的图像，以评估其概括为新数据的能力。

在内部验证集中，我们的模型的精度为96.2％，精确，回忆和F1得分对于IIH，NAION和健康的眼睛类似。在我们的外部验证集中，我们达到了93.6％的精度，F1分数从0.90 - 0.95和曲线接收器操作特性下的宏观平均水平为0.980（图1）。1

Figure 1. Confusion Matrix and Receiver Operating Characteristic1. At left: External validation confusion matrix. Our model achieved an accuracy of 93.6% with precision values of 0.98, 0.93, and 0.91, recall values of 0.90, 0.88, and 1.00, and F1 scores of 0.94, 0.90, and 0.95 for eyes with idiopathic intracranial hypertension (IIH), nonarteritic anterior ischemic optic neuropathy (NAION), and healthy eyes, respectively. At right: Receiver operating characteristic curves for each class with a macroaverage area under the curve (AUC) of 0.980

图1。混淆矩阵和接收器操作特征1。在左侧：外部验证混淆矩阵。我们的模型的精度为0.98、0.93和0.91的精度为93.6％，召回值为0.90、0.88和1.00，F1得分为0.94、0.90和0.95，具有特发性内部颅内高压（IIH），非肉毒杆菌性异构性粘液性粘液性nairopic nairopic and naion and na and anda and na and and na and and na and and na and and na and and and and na and and the and the and the and the and the and the and the and the and。在右图：每个类的接收器操作特性曲线，曲线下的宏观区域（AUC）为0.980

我们研究的一个有趣的方面是使用热图或该模型在确定最终诊断至关重要的图像中的区域。在与IIH的许多照片中，该系统似乎集中在视盘的下部，该椎间盘的下部与以前的报道相吻合，即乳头状神经纤维纤维纤维均经常在乳头状果皮中加浓。在NAION中，经常强调椎间盘的上部部分，与该疾病中观察到的常见下半叶视觉缺陷一致。

通过健康的眼睛，整个椎间盘的激活通常更加均匀（图2）。1这种区别很重要，因为幼稚的根本原因仍然未知，并且一贯强调的区域可以帮助未来的研究来理解疾病的机制和受影响的结构。

Figure 2. Class-Wise Activation Maps1. Top row: Activation maps from the final gradient-weighted class activation mapping layer overlaid on photographs from each category from our external validation set, with each column representing one class. Bottom row: Average activation maps on centered optic discs for each class in external validation. Activation for idiopathic intracranial hypertension (IIH) focused on the inferior optic disc; for nonarteritic anterior ischemic optic neuropathy (NAION), it focused on the superior optic disc; and for healthy eyes, it focused on the entire disc. (Images courtesy of Szanto D, Erekat A, Woods B, et al1)

图2。班级激活图1。顶行：最终梯度加权类激活映射层的激活图覆盖在我们外部验证集的每个类别的照片上，每列代表一个类。底行：外部验证中每个类的中心光盘上的平均激活图。特发性颅内高血压（IIH）的激活集中在下椎间盘上；对于非动脉前缺血性视神经病（NAION），它的重点是上椎间盘；对于健康的眼睛，它专注于整个光盘。（图片由Szanto D，Erekat A，Woods B等人提供1）

我们认为，我们的发现与可能无法立即访问神经嗜好家的急诊部门和远程诊所特别相关。许多提供商可能不愿意捕捉和解释眼底照片。我们的DL工具可以通过快速评估椎间盘肿胀与乳头毛瘤的膨胀是否正常，或暗示在不确定的情况下野生的可能性来支持临床医生。如果系统表明光盘看起来正常，则可以减少不必要的转介，并可能避免进行一些成像测试或程序。这不能取代专家评估，但可以用作分类工具。

尽管我们对系统的性能有信心，但我们并不主张仅依靠DL预测来做出确定的临床决策。我们的方法旨在补充临床判断。一张眼睛的照片会错过某些病理。最好的做法仍然是将发现与其他成像，实验室和仔细的临床病史相结合。

结论

我们的DL系统提供了一种有前途的解决方案，可以使用一张眼睛的照片将乳头毛瘤与天真和健康的眼睛区分开。不同数据集的准确性和一致性水平表明，它可以在各种临床环境中提供宝贵的支持。我们看到潜在的应用程序从紧急分类到常规后续访问，尤其是在眼科护理有限的地方。随着我们进一步开发和验证该模型，我们希望它将成为许多医疗保健提供者的实际资源，从而及时促进对椎间盘肿胀的及时认识并改善患者护理。

大卫·桑托（David Szanto），文学学士学位

E：David.szanto@stonybrookmedicine.edu

Szanto是纽约Stony Brook大学文艺复兴时期医学院的四年级医学生。他目前正在纽约西奈山伊坎医学院的眼科学系完成一个专门的研究年。他的作品专注于Intersecti

蒙娜·加文（Mona Garvin）博士

E：mona-garvin@uiowa.edu

加文（Garvin）隶属于爱荷华州爱荷华州爱荷华州卫生系统的预防和治疗视觉损失中心；爱荷华州爱荷华州爱荷华大学电气与计算机工程系；爱荷华州爱荷华州爱荷华大学的眼科与视觉科学系。

Brian Woods，MBBCH

E：woodsbr@tcd.ie

伍兹隶属于爱尔兰大学医院科学院科学系爱尔兰临床学术培训计划；以及爱尔兰戈尔韦大学自然科学学院物理系。

Jui-Kai Wang博士

E：jui-kai.wang@utsouthwestern.edu

王隶属于德克萨斯州达拉斯西南医学中心眼科科学系。

ASALA EREKAT博士

E：asala.erekat@mssm.edu

Erekat是部门的数据科学家
纽约西奈山的伊坎医学院神经病学。

布雷特·约翰逊（Brett A. Johnson），博士

E：brett-johnson@uiowa.edu

约翰逊隶属于爱荷华州爱荷华州爱荷华大学眼科与视觉科学系。

爱德华·林顿，医学博士

E：Edward-linton@uiowa.edu

林顿隶属于德克萨斯州达拉斯西南医学中心的眼科系；爱荷华大学爱荷华大学医院和诊所。

马克·库珀斯史密斯（Mark J. Kupersmith），医学博士

E：mkuper@chpnet.org

库珀史密斯（Kupersmith）是纽约西奈山（Mount Sinai）伊坎医学院眼科科神经病学和眼科教授。
作者没有财务披露。
参考
  1. Szanto D，Erekat A，Woods B等。深度学习方法很容易区分乳头状果皮，非动脉前缺血性视神经病变和健康的眼睛。Am J Ophthalmol。于2025年4月11日在线发布。doi：10.1016/j.ajo.2025.04.006
  2. Walsh FB，Hoyt WF。临床神经浏览性。威廉姆斯和威尔金斯公司；1969：567-607。
  3. Hayreh SS。前缺血性视神经病变：I。术语和发病机理。Br J Ophthalmol。1974; 58（12）：955-963。doi：10.1136/bjo.58.12.955
  4. Raizada K，Margolin E.非动脉前缺血性视神经病变。在：Statpearls。Statpearls出版；2022。2025年5月16日访问。
  5. Raman R，Srinivasan S，Virmani S，Sivaprasad S，Rao C，Rajalakshmi R.基于眼底照片的深度学习算法检测糖尿病性视网膜病。眼睛（Lond）。2019; 33（1）：97-109。doi：10.1038/s41433-018-0269-y
  6. Sahlsten J，Jaskari J，Kivinen J等。深度学习底底图像分析糖尿病性视网膜病和黄斑水肿分级。Sci代表。2019; 9（1）：10750。doi：10.1038/s41598-019-47181-W
  7. OH K，Kang HM，Leem D，Lee H，Seo KY，YoonS。基于深度学习和超宽场底面图像的糖尿病性视网膜病的早期检测。Sci代表。2021; 11（1）：1897。doi：10.1038/s41598-021-81539-3
  8. Gurudath N，Celenk M，Riley HB。来自眼底图像的机器学习识别糖尿病性视网膜病。在：医学和生物学研讨会上的IEEE信号处理；2014年12月13日；宾夕法尼亚州费城。IEEE; 2014：1-7。doi：10.1109/spmb.2014.7002949
  9. Ahn JM，Kim S，Ahn KS，Cho SH，Lee KB，Kim US。使用眼底摄影检测高级和早期青光眼的深度学习模型。PLOS一个。2018; 13（11）：E0207982。doi：10.1371/journal.pone.0207982
  10. Hemelings R，Elen B，Schuster AK等。从眼底图像中筛选自动青光眼筛查的可推广的深度学习回归模型。NPJ Digit Med。2023; 6（1）：112。doi：10.1038/s41746-023-00857-0
  11. Ajitha S，Akkara JD，Judy MV。使用深度学习技术从眼底图像鉴定青光眼。印度J Ophthalmol。2021; 69（10）：2702-2709。doi：10.4103/ijo.ijo_92_21
  12. Grassmann F，Mengelkamp J，Brandl C等。一种深度学习算法，用于预测与年龄相关的眼病研究严重程度量表，用于与年龄相关的黄斑变性。眼科。2018; 125（9）：1410-1420。doi：10.1016/j.ophtha.2018.02.037
  13. Pead E，Megaw R，Cameron J等。在颜色眼底摄影中与年龄相关的黄斑变性的自动检测：系统评价。Surv Ophthalmol。2019; 64（4）：498-511。doi：10.1016/j.Survophthal.2019.02.003
  14. Peng Y，Dharssi S，Chen Q等。DeepSeenet：一种用于自动分类的深度学习模型，从颜色眼底照片中对基于患者的黄斑变性严重程度。眼科。2019; 126（4）：565-575。doi：10.1016/j.ophtha.2018.11.015
  15. Burlina P，Freund DE，Joshi N，Wolfson Y，Bressler NM。通过深度学习检测与年龄相关的黄斑变性。在：IEEE第13届生物医学成像研讨会；2016年4月13日至16日；布拉格，捷克共和国。IEEE; 2016：184-188。doi：10.1109/isbi.2016.7493240
  16. Branco J，Wang JK，Elze T等。使用机器学习对乳头水肿进行分类和量化。BMJ Neurol Open。2024; 6（1）：E000503。doi：10.1136/bmjno-2023-000303
  17. Milea D，Najjar RP，Zhubo J等；盆景集团。人工智能从眼睛眼镜照片中检测乳头毛。N Engl J Med。2020; 382（18）：1687-1695。doi：10.1056/nejmoa1917130
  18. Wall M，Kupersmith MJ，Kieburtz KD等；北欧特发性颅内高血压研究组。特发性颅内高血压治疗试验：基线时的临床特征。贾玛神经。2014; 71（6）：693-701。doi：10.1001/jamaneurol.2014.133
  19. Kupersmith MJ，Miller NR。一项非动脉前缺血性视神经病神经病临床试验：一种行业和北欧合作。J神经嗜疫子。2016; 36（3）：235-237。doi：10.1097/wno.0000000000000409
  20. Dugas E，Jared，Jorge，Cukierski W.糖尿病性视网膜病变检测。Kaggle。发布于2015年。2025年5月27日访问。https：//kaggle.com/competitions/diabetic-retinopathy-detection
  21. Zhang Z，Yin FS，Liu J等。Origa（-Light）：用于青光眼分析和研究的在线视网膜底面图像数据库。Annu int Conf Ieee Eng Med Biol Soc。2010; 2010：3065-3068。doi：10.1109/iembs.2010.5626137
  22. He K，Zhang X，Ren S，SunJ。图像识别的深度残留学习。在：IEEE计算机视觉和模式识别会议上；2016年6月27日至30日；拉斯维加斯，内华达州。ieee;2016：770-778。doi：10.1109/cvpr.2016.90

关于《人工智能增强了神经性疾病的检测》的评论

暂无评论

发表评论



摘要

已经开发了一个深度学习系统，以区分特发性颅内高血压（IIH）与非动脉前缺血性视神经神经病变（NAION）以及与健康眼睛的肿瘤肿胀，其精度为93.6％。该工具使用单一的底面图像，并且在缺乏神经性跨性科学家或临床医生不确定解释眼底照片的情况下特别有价值。该模型通过关注视盘内的特定区域来区分IIH，NAION和健康的眼睛，从而有助于减少不必要的转介和诊断成像程序。

相关新闻

相关讨论