Phát hiện tự động Glaucma trong ảnh chụp Quỹ dùng AI

Các kí hiệu trên màn hình hiện nay và giới hạn của chúng

Việc quét nhãn áp chuẩn phụ thuộc vào sự kết hợp của đo lường IOP (hình học cao, kiểm tra thị giác (tiểu đồ) và đánh giá thần kinh thị giác. Mỗi phương pháp có thiếu sót: IP là chỉ một ủy nhiệm — nhiều bệnh nhân bình thường phát triển tăng nhãn áp, trong khi những bệnh nhân khác với IOP không bao giờ lộ ra thiệt hại. Tính năng mô phỏng bệnh nhân cần sự hợp tác và sự mất thời gian. Đánh giá thần kinh phụ thuộc vào y tế là chủ quan và biến số, đặc biệt trong thiết lập chính không có sự huấn luyện chuyên môn. quỳ lạy, dù chỉ là một cách đơn giản và nhanh, vẫn đòi hỏi sự chuyên gia về các hạn chế cao. Những giới hạn này đòi hỏi chung, ngăn chặn tính năng suất cao, đặc biệt là trong môi trường mã hóa thấp.

Cách trí nhớ máy ảnh chuyển đổi quỹ

Học sâu về kiến trúc để phân loại ảnh

Hệ thống phát hiện nhãn áp hiện đại dựa trên mạng thần kinh tương tác (CNNN). Mô hình như ResNet, Inception, và hệ thống nhận dạng protein hiện đại đã được điều chỉnh để nhận ra các mẫu tinh tế trong ảnh gây quỹ, phân biệt nhãn cầu với mắt lành mạnh. Không giống như phương pháp nhìn máy tính dựa trên các tính năng đã được thiết kế (v. d., khả năng đo lường CDR), học hỏi trực tiếp từ dữ liệu điểm ảnh, thường không mô tả rõ ràng trong sách giáo khoa. Ví dụ, một số mô hình AI đã được quan sát để xem xét để thay đổi kích thước của cơ thể và các mẫu người có thể bỏ qua.

Dạy dữ liệu và chú giải

Thành quả của mô hình AI cơ bản liên quan đến chất lượng và sự đa dạng của bộ dữ liệu đào tạo. Các bộ dữ liệu công cộng lớn như phát hiện [FLT: 0] khả năng phát hiện , , bộ dữ liệu được đặt ra [FLT], [FLT-ONE , và DMWIT-GS cung cấp hàng ngàn hình ảnh có nhãn. Tuy nhiên, những dữ liệu này thường bị hạn chế bởi sự đa dạng sắc tộc, hình ảnh đồng nhất, và thay đổi tiêu chuẩn (có thể, chú thích hợp với nhãn hiệu hóa). Việc tạo ra các thông tin về bệnh tăng cường độ ảnh, bao gồm cả các mô hình ảnh, và các loại hình ảnh khác nhau.

Những bước tiến trước và co giật

• Tiêu chuẩn hóa:) Phục hồi, chuẩn hoá và sửa màu để giảm tính đa dạng của thiết bị.
• Định vị đĩa: ) Nhiều đường ống AI trước tiên phát hiện vùng đĩa quang (dùng hồi quy hoặc phát hiện đối tượng) trước khi áp dụng mạng phân loại — điều này tập trung tính toán vào giải phẫu liên quan.
• Vessel sơn vào: Một số thuật toán loại bỏ mạch máu ra khỏi vùng ONH để ngăn sự nhầm lẫn giữa các cột mạch và các đường đập.
• Sự tăng cường: quay, lật, giảm độ đàn hồi, và sự thay đổi độ sáng giúp mô hình tổng quát hóa.

Phát hiện ung thư tuyến tụy tự động gần đây

Trong ba năm qua, nghiên cứu đã chuyển từ những mô hình nghiên cứu có khả năng xác định được, sang hệ thống lâm sàng. Một bản phân tích siêu thị 2023 được xuất bản trong Khoa học phát hiện rằng các mô hình học sâu sắc đạt được sự nhạy cảm với 92% và cụ thể của 88% cụ thể để phát hiện ra các hình ảnh gây quỹ — hiệu suất của chuyên gia về bệnh tăng cường [FLT2] [FLT] [FLT:] [FLTT:] [Fmpson al, 2023] [FL:].] Một số giải pháp thương mại, như là mã nhận dạng mã số và mã nhận dạng mã số các viD, vit, và vitx, đã được mở rộng từ mô-D] để phát hiện ra từ mô-lin.

Tiên đoán trước bệnh tật sẽ tiến triển

Bên cạnh phân loại nhị phân, hệ thống AI mới hơn kết hợp các dữ liệu ảnh dài [FLT: 1] có thể dự đoán tỷ lệ chuyển đổi trong tương lai từ ảnh cơ sở dữ liệu gốc sang phân loại. Chẳng hạn, mô hình được đào tạo trên ảnh nối tiếp từ cơ sở dữ liệu [FLT: 0] [FLT: 1] có khả năng dự đoán tỷ lệ tách sang phân loại nhanh hơn so với hình ảnh cơ sở dữ liệu cơ sở dữ liệu, khả năng tăng tốc để kiểm tra kỹ lưỡng trước khi mất chức năng xảy ra.

Các phương pháp đa động tác

Ảnh chụp tích hợp tài nguyên với các phương pháp chụp ảnh khác (OCT, hình ảnh, áp lực thị giác) tăng độ chính xác chuẩn đoán. Một hệ thống hợp nhất tài nguyên tài nguyên và bản đồ độ dày RCT RNFL bằng phương pháp 2 chiều, đạt được AUC trên 0.96. Những chiếc gương này sẽ tăng cường sự tích hợp các nguồn dữ liệu của các y tế đa nguồn dữ liệu.

Sự triển khai và kiểm tra lâm sàng trên thế giới

Thiết lập màn hình trong cộng đồng và điện ảnh

Hiện nay, máy ảnh hỗ trợ quỹ AI đang được triển khai trong các phòng khám chính, dược phẩm và xe tải y tế di động. Trong một chương trình lớn ở Singapore, một hệ thống học tập được phân tích sâu hơn 100.000 ảnh từ các sự kiện kiểm tra cộng đồng. Độ nhạy của hệ thống để phát hiện bệnh tăng cường tăng cường tăng cường tăng cường nhãn cầu là 85%, với tỷ lệ tham chiếu được kiểm soát bằng cách điều chỉnh ngưỡng [FL: 0] (Liu et al, 2021). Điều này cho thấy khả năng mở rộng khả năng tiếp cận bệnh tăng cường lượng tăng lên mức độ tăng trưởng trong dân số dưới mức phục vụ.

Những thử thách trong việc hợp nhất trong bệnh viện

• Chấp thuận tái sử dụng: ) Phần lớn hệ thống AI được chấp nhận là phần mềm "thiết bị y tế" trong EU (CLE đánh dấu) hoặc háu ra cho máy tính Mỹ. Gánh nặng điều chỉnh đặc biệt cao cho thiết bị để có quyết định chuẩn đoán tự động mà không cần ghi đè lên hệ thống y tế.
• Sự kết hợp giữa các luồng điện tử:).
• Các nhà bệnh học vẫn còn ngần ngại tin tưởng vào hệ thống "hộp đen".
• Khi Al bỏ qua một trường hợp bệnh tăng nhãn cầu, trách nhiệm không rõ ràng — phải chăng y sĩ xem xét lại kết quả của AI, tổ chức đã triển khai bệnh này, hay người bán?

Quan tâm đến đạo đức và sự công bằng

Hệ thống AI được đào tạo chủ yếu dựa trên hình ảnh gây quỹ từ người châu Á hay người da trắng có thể làm sai về các bệnh nhân Châu Phi hoặc gốc Tây Ban Nha, có đặc tính khác biệt về thị giác. Một nghiên cứu cho thấy rằng một mô hình được đào tạo chỉ trên một hệ thống dữ liệu Trung Quốc có độ nhạy thấp hơn 20% khi kiểm tra ảnh gây quỹ của người Mỹ Châu Phi. Sự hợp lệ nghiêm ngặt về các bộ dữ liệu đa dạng chủng tộc không phải là tùy ý — đó là một bắt buộc phải tránh sự khác biệt về sức khỏe. Hơn nữa, chi phí của camera Aquiquit và việc xử lý đám mây có thể giới hạn việc nhận dạng các hình thành trong các thiết lập ít được, trừ khi mô hình mở và các giải pháp thông tin có thể được đưa ra.

Hướng tương lai: Từ phát hiện sang Quản lý Hướng dẫn

AI giải thích được và trợ giúp của Cinic-AI

Hệ thống tiếp theo được thiết kế không phải để thay thế mà để tăng cường các bác sĩ lâm sàng. một AI có thể đánh dấu một hình ảnh gây nghi ngờ tài trợ, sau đó cung cấp một đo lường được định lượng CDR, phân khúc giảm nhỏ, và một điểm rủi ro cho tiến triển. nhà nghiên cứu nhãn khoa học có thể xem xét các kết quả và đưa ra một quyết định cuối cùng. mô hình con người này bảo vệ y sĩ tự trị trong khi sử dụng tính kiên định của AI.

Ảnh chụp siêu-Widefield Fundus

Máy ảnh mới hơn chụp 200° của võng mạc, tiết lộ tổn thương ở xa có thể liên quan đến tăng nhãn áp (v. d., với sự phân tán sắc tố hoặc các hội chứng ngoại biên). Mô hình AI đang được điều chỉnh để phân tích các hình ảnh siêu rộng, mặc dù hiện nay chúng đang đối mặt với những thử thách với sự biến dạng và sự biến đổi trong ánh sáng ngoại vi.

Hợp nhất với thử ra hàm và CT

OCT vẫn còn tiêu chuẩn vàng cho việc ước lượng độ dài của tế bào RNFL và hệ thống phân hạch tế bào. Một số nhóm còn thử tiên đoán sự mất mát hình ảnh trực tiếp từ hình tài trợ, khả năng tạo ra máy tính hoạt động hàng không cần thiết để xem xét.

Kết luận: Một ca xuất tinh ở Glaucoma Care

Phát hiện tự động về bệnh tăng nhãn áp từ ảnh chụp gây quỹ đạo bằng ngôn ngữ AlI không còn là một khái niệm tương đối lâu dài nữa — nó đã gây ảnh hưởng rõ ràng đến các chương trình quét toàn cầu. Trong khi thách thức về sự đa dạng dữ liệu, sự tích hợp lâm sàng, và tính công bằng vẫn còn, quỹ đạo rõ ràng: hệ thống học tập sâu đang trở nên đáng tin cậy, những công cụ hiệu quả chi phí để mở rộng khả năng chẩn đoán chuyên gia đến những thiết lập mà bệnh tăng khả năng xác định nơi từng là một dịch bệnh sốt rét vô hình. thập kỷ sau đó, rất có thể sẽ xem các dữ liệu nghiên cứu theo dõi theo tiêu chuẩn của mắt thường xuyên, thay đổi cường độ hiệu quả từ việc điều trị bệnh có khả năng bảo tồn.