Este artículo de IA presenta un modelo de aprendizaje profundo para clasificar las etapas de la degeneración macular relacionada con la edad utilizando escaneos OCT de retina del mundo real.

Un brillante modelo de IA para clasificar las etapas de la degeneración macular relacionada con la edad a través de escaneos OCT de retina del mundo real

Un nuevo artículo de investigación presenta un clasificador basado en aprendizaje profundo para etapas de degeneración macular relacionada con la edad (AMD) utilizando exploraciones de tomografía de coherencia óptica (OCT) de retina. Utilizando una red neuronal convolucional de dos etapas, el modelo clasifica volúmenes 3D centrados en la mácula a partir de imágenes OCT de Topcon en etapas Normales, AMD temprana/intermedia (iAMD), atrófica (GA) y neovascular (nAMD). La primera etapa emplea una ResNet50 2D para clasificación de escaneos en B, y la segunda etapa utiliza modelos más pequeños (ResNets) para clasificación de volumen.

El modelo, entrenado en un conjunto de datos sustancial, tiene un buen desempeño al clasificar volúmenes 3D centrados en la mácula en etapas Normales, iAMD, GA y nAMD. El estudio enfatiza la importancia de una clasificación precisa de la AMD para un inicio de tratamiento oportuno. Las métricas de rendimiento incluyen ROC-AUC, precisión balanceada, precisión, puntaje F1, sensibilidad, especificidad y coeficiente de correlación de Matthews.

La investigación detalla la creación de un sistema basado en aprendizaje profundo para la detección y clasificación automatizada de AMD utilizando exploraciones OCT de retina. OCT, una técnica de imagen no invasiva, es crucial para proporcionar información detallada sobre la clasificación de la AMD en comparación con los métodos tradicionales. El estudio resalta la importancia de conjuntos de datos de alta calidad para un análisis sólido.

• NetEase Youdao abrió EmotiVoice al público un motor de texto a voz potente y moderno.
• Manejando el procesamiento de datos por lotes con Versatile Data Kit (VDK)
• ¿Cómo sabe un árbol de decisiones cuál es la próxima mejor pregunta a hacer basado en los datos?

El estudio implementó un modelo de aprendizaje profundo de dos etapas utilizando una ResNet50 preentrenada en ImageNet y cuatro ResNets separadas para la clasificación binaria de biomarcadores de AMD en escaneos OCT. La primera etapa localizó categorías de enfermedades dentro del volumen, mientras que la segunda etapa realizó la clasificación a nivel de volumen. El modelo, entrenado en un conjunto de datos OCT del mundo real, demostró métricas de rendimiento prometedoras, incluyendo ROC-AUC, precisión balanceada, precisión, puntaje F1, sensibilidad, especificidad y coeficiente de correlación de Matthews. El estudio reconoció los desafíos en el uso de diversos conjuntos de datos OCT de diferentes dispositivos y discutió posibles problemas de generalización.

El sistema de detección y clasificación de AMD basado en aprendizaje profundo demostró un rendimiento prometedor con un ROC-AUC promedio de 0.94 en un conjunto de pruebas del mundo real. La incorporación de Monte-Carlo dropout durante la inferencia mejoró la confiabilidad de las estimaciones de incertidumbre de clasificación. El estudio utilizó un conjunto de datos curado de 3995 volúmenes OCT de 2079 ojos, evaluando el rendimiento con varias métricas, incluyendo AUC, BACC, ACC, puntaje F1, sensibilidad, especificidad y MCC. Los resultados destacan el potencial del modelo para una clasificación y clasificación precisa de AMD, ayudando en el tratamiento oportuno y la preservación de la función visual.

El estudio desarrolló con éxito un sistema automatizado de detección y clasificación de AMD basado en aprendizaje profundo utilizando exploraciones OCT. La red neuronal convolucional de dos etapas clasificó con precisión volúmenes 3D centrados en la mácula en cuatro clases: Normales, iAMD, GA y nAMD. El modelo de aprendizaje profundo mostró un rendimiento comparable o superior al de los enfoques de referencia, con el beneficio adicional de la localización de enfermedades a nivel de escaneo B.

Investigaciones adicionales pueden mejorar la capacidad de generalización del modelo de aprendizaje profundo a varios dispositivos OCT, considerando adaptaciones para escáneres como Cirrus y Spectralis. Deben explorarse métodos de adaptación de cambio de dominio para abordar las limitaciones relacionadas con el entrenamiento específico del conjunto de datos, asegurando un rendimiento sólido en diversas relaciones señal-ruido. El potencial del modelo para la detección retrospectiva del inicio de la AMD podría extenderse, permitiendo el etiquetado automático de conjuntos de datos longitudinales. La aplicación de estimaciones de incertidumbre en entornos de detección del mundo real y la exploración del modelo para detectar otros biomarcadores de enfermedades más allá de la AMD son áreas prometedoras para investigaciones futuras, ayudando en la detección de enfermedades en una población más amplia.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!