XiaoMi-AI文件搜索系统
World File Search System斑病
使用 Vision Transformer 模型根据光学相干断层扫描图像对糖尿病性黄斑病变进行分类
摘要 目的 基于光学相干断层扫描 (OCT) 图像，开发一种 Vision Transformer 模型来检测糖尿病性黄斑病变 (DM) 的不同分期。方法 删除质量较差的图像后，从武汉大学人民医院眼科中心提取共 3319 张 OCT 图像，并按 7:3 的比例随机分成训练集和验证集。所有黄斑横断面扫描 OCT 图像均回顾性收集自 2016 年至 2022 年 DM 患者眼部。在收集的图像上分别标记 DM 的 OCT 分期，包括早期糖尿病性黄斑水肿 (DME)、晚期 DME、重度 DME 和萎缩性黄斑病变。训练基于 Vision Transformer 的深度学习 (DL) 模型来检测 DM 的四个 OCT 分级。结果 我们提出的模型可以提供令人印象深刻的检测性能。我们实现了 82.00% 的准确率、83.11% 的 F1 分数、0.96 的受试者工作特征曲线下面积 (AUC)。对早期DME、晚期DME、重度DME、萎缩性黄斑病变四种OCT分级检测的AUC分别为0.96、0.95、0.87、0.98，准确度分别为90.87%、89.96%、94.42%、95.13%，精密度分别为88.46%、80.31%、89.42%、87.74%，敏感度分别为87.03%、88.18%、63.39%、89.42%，特异度分别为93.02%、90.72%、98.40%、96.66%，F1评分分别为87.74%、84.06%、88.18%、88.57%。结论 我们基于 Vision Transformer 的 DL 模型在检测糖尿病的 OCT 分级方面表现出相对较高的准确率，这可以帮助患者进行初步筛查，以识别病情严重的人群。这些患者需要进一步检查以准确诊断，并及时治疗以获得良好的视力预后。这些结果强调了人工智能在未来协助临床医生制定糖尿病治疗策略方面的潜力。