XiaoMi-AI文件搜索系统
World File Search System眼底
深度卷积神经网络的合奏比董事会认证的眼科医生更准确和可靠，在视网膜眼底照片中检测多种疾病
摘要旨在开发一种算法，以准确可靠地从眼底照片中对多种视网膜病理进行分类，并验证其针对人类专家的绩效。方法，我们训练了一个深卷积合奏（DCE），这是五个卷积神经网络（CNN）的集合，将视网膜眼底照片分类为糖尿病性视网膜病（DR），青光眼，与年龄相关的黄斑变性（AMD）和正常眼睛。CNN体系结构基于InceptionV3模型，并且在Imagenet数据集上预估计了初始权重。我们使用了来自12个公共数据集的43 055底面图像。然后在100张图像的“看不见”集上测试了五个训练有素的合奏。要求七位认证的眼科医生对这些测试图像进行分类。结果认证的眼科医生在所有类别中达到72.7％的平均准确性，而DCE的平均准确性为79.2％（p = 0.03）。与眼科医生相比，DCE对DR分类的平均F1得分平均得分更高（76.8％vs 57.5％； P = 0.01），但在统计学上更高，但统计学上不显着的F1得分的F1得分（83.9％vs 75.7％； P = 0.10）和正常（85.9％vs; amd; 85.9％vs; （73.0％vs 70.5％; p = 0.39）。DCE在准确性和自信之间具有更大的平均一致性，而自信为81.6％vs 70.3％（p <0.001）。讨论我们开发了一个深度学习模型，发现与董事会认证的眼科医生相比，它可以更准确，可靠地对四类眼底图像进行分类。这项工作提供了算法能够仅使用眼底照片对多种视网膜疾病进行准确和可靠的识别的原则证明。
新加坡科学家开发出人工智能系统来......
研究报告合著者、新加坡国立卫生研究院国家医疗集团 (NHG) 眼科研究所青光眼服务部门负责人 Leonard Yip 博士表示：“社区中许多青光眼患者仍未得到诊断，而在印度这样的发展中国家，未确诊病例的比例可能远远超过 90%。虽然病例通常是在常规眼科检查中发现的，但由于需要专业且昂贵的设备或训练有素的专家，因此基于人群的筛查具有挑战性。手动检查单个视网膜图像的过程也很耗时，并且取决于专家的主观评估。相比之下，我们使用人工智能的方法可能更高效、更经济。” 研究报告的主要作者、南洋理工大学电气与电子工程学院副教授王丽坡表示：“通过结合机器学习技术，我们的团队开发了一种筛查模型，可以从眼底图像诊断青光眼，从而无需眼科医生进行各种临床测量（如眼内压）即可进行诊断。我们强大的自动青光眼诊断方法易于使用，这意味着任何医疗从业者都可以使用该系统来帮助进行青光眼筛查。这将特别有助于眼科医生较少的地区。” 该团队目前正在 TTSH 拍摄的更大的患者眼底图像数据集上测试他们的算法。他们还在研究如何将该软件移植到手机应用程序上，这样当与眼底照相机或手机镜头适配器结合使用时，它就可以成为现场可行的青光眼筛查工具。 工作原理 NTU 和 TTSH 团队开发的自动青光眼诊断系统使用一组算法来分析由两个相机从不同视角成对拍摄的立体眼底图像（见图 1）。这些 2D 的“左”和“右”眼底图像组合在一起时有助于形成 3D 视图。科学家说，使用两张图像可以确保如果一张图像质量较差，另一张图像通常可以补偿，系统可以保持其准确的性能。这套算法由两个部分组成：深度卷积神经网络和注意力引导网络。前者模仿人类大脑适应学习新事物的生物过程，而注意力引导网络模仿大脑选择性关注一些相关特征的方式——在本例中，是眼底图像中的视神经头区域（见图 2）。然后将这两个组件的输出融合在一起以生成最终的预测结果。
卫生部基于人工智能的自动化系统
如果及早发现并治疗糖尿病视网膜病变，可显著减少因糖尿病视网膜病变导致的视力丧失。如今，喀拉拉邦的 16 家 FHC 都安装了眼底照相机，并对患者进行 DR 筛查。使用眼底照相机拍摄的图像中，只有 82% 可供分析。其余 18% 的图像无法由验光师进行分析。评估所拍摄图像质量的周转时间通常为 2 天。等到评估图像质量时，患者可能已经离开了。因此，需要对图像质量进行自动分析，并在 10 秒内获得是否应启动重拍的反馈。
研究文章 中国中西部农村地区糖尿病视网膜病变人工智能辅助筛查的临床评估
本次诊断准确率研究选取2020年7—12月长治市黎城县、潞城县国家基本公共卫生信息系统中的糖尿病患者作为目标人群。本次筛查共纳入3933例糖尿病患者7824只眼，其中男性1395例，女性2401例，平均年龄19～87岁（63±8.735岁）。所有眼底照片均由专业眼科医生在暗室中自然瞳孔条件下，使用智远慧图眼底图像AI分析软件EyeWisdom采集。AI诊断系统和眼科医生独立对照片进行诊断，计算并比较两种方法诊断DR的一致率、灵敏度和特异度。
c urrent o小齿轮人工智能用于地理萎缩：珍珠和陷阱
最近的发现最近的文献显示了在AI系统开发中的实质性进步，以分割多模式视网膜图像的GA病变，包括彩色眼底摄影（CFP），眼底自动荧光（FAF）和光学相干性层析成像（OCT），为筛查和早期诊断提供创新的解决方案。，OCT的高分辨率和3D-Nature为训练和验证新算法提供了最佳数据来源。在新认可的GA疗法的背景下，使用AI来衡量进展，这表明AI方法很快对于患者管理是必不可少的。迄今为止，尽管已经报告了许多AI模型，但它们在现实世界中的实现才刚刚开始。目的是使基于AI的个性化治疗的好处可访问和深远。
基于深度学习的糖尿病视网膜病变分析...
摘要 — 糖尿病视网膜病变 (DR) 是一种眼部疾病，其特征是视网膜血管受损。如果不及时发现，可能会导致失明。及早发现和治疗 DR 可以大大降低视力丧失的风险。经过大量训练的专家通常使用彩色眼底照片来诊断这种可怕的疾病。与计算机辅助方法相比，由于全球糖尿病患者数量不断增加，眼科医生对 DR 视网膜眼底图像的手动诊断时间更长。因此，自动 DR 检测变得至关重要。随着对医学研究的重视，深度神经网络在医疗保健领域的应用取得了显着进步。这项工作的目标是确定 DR 的五个阶段：正常、轻度、中度、重度和增生性 DR。深度学习是提高性能的最流行方法之一，尤其是在医学图像的分类和解释方面。我们使用从 Kaggle 获得的大量眼底图像数据集对用于加速糖尿病视网膜病变 (DR) 检测的六种深度学习模型（Custom CNN、Resnet50、Densenet121、EfficientNetB0、EfficientNetB2 和 ViT）进行了评估。在五阶段 DR 分类中，准确率提高到 89%，精确率提高到 89%，召回率提高到 89%，F1 得分提高到 89%，结果表明 DenseNet121 模型的性能非常出色。
使用...进行青光眼疾病检测的综述
摘要：青光眼是全球第二大致盲原因，它是一种影响视网膜和视神经的眼部疾病，这些视神经会向眼睛传递信号。如果不及早治疗，这种疾病会导致永久性失明。青光眼的主要原因是眼压升高，它会损害向大脑发送图像的视神经，由于视网膜压力升高，视盘区域内的视杯直径会增大。杯盘比 (CDR) 增大会导致通过视盘区域连接到视网膜的视神经纤维丢失。CDR 是区分健康和青光眼的重要结构特征。本文的目的是介绍从眼底图像中自动检测青光眼的方法，以协助计算机辅助系统的逐步发展。关键词：青光眼、眼压 (IOP)、眼底图像、杯盘比 (CDR)、视神经。
CERKL基因突变看到的创始人突变效应在北印度人口Mayank Bansal*（1,2,3），Debojyoti Chakraborty
通过cerkl基因突变看到的引起视网膜营养不良的北印度人口班萨尔*（1,2,3），debojyoti chakraborty（1）（1）（1）CSIR-基因组学和综合生物学研究所，德里，（2）景点研究，fortis Indiperies，fortis Indies Indive Isporties Indive Isporties Indive Indive Indive Indive Isporties Indive Indiperies，Instriped Isporties Indive Isporties Indive Isporties Indive Isporties Indive Isportion*临床特征，CERKL基因突变的基因型表型相关性，这是我们在印度北部的同类中看到的遗传性视网膜营养不良（IRD）患者的最常见基因突变之一。 材料和方法：研究包括临床诊断患有IRD的患者。 患者进行了超广阔的菲尔德（UWF）眼底照片，眼底自动荧光（FAF），光学相干断层扫描（OCT）。 完成了谱系图表。 下一代测序（NGS）进行遗传测试，分析了临床外显子组。 结果：我们报告了35例选择接受遗传测序的35例CERKL基因突变患者的眼科和遗传发现（在我们的62名22名IRD患者中）。 年龄从17至45岁（中位数25岁）不等。 视觉范围从logmar 0.18到1.8。 OCT显示出103至268微米的中央黄斑厚度（CMT）。 多数患者的眼底表现出黄斑色素的变化，其萎缩，消除或有限的周围视网膜色素变化；轻度的视盘苍白和最小的血管衰减。 在黄斑处的斑点低荧光是最常见的发现，视网膜周围的低自露倍率最小。通过cerkl基因突变看到的引起视网膜营养不良的北印度人口班萨尔*（1,2,3），debojyoti chakraborty（1）（1）（1）CSIR-基因组学和综合生物学研究所，德里，（2）景点研究，fortis Indiperies，fortis Indies Indive Isporties Indive Isporties Indive Indive Indive Indive Isporties Indive Indiperies，Instriped Isporties Indive Isporties Indive Isporties Indive Isporties Indive Isportion*临床特征，CERKL基因突变的基因型表型相关性，这是我们在印度北部的同类中看到的遗传性视网膜营养不良（IRD）患者的最常见基因突变之一。材料和方法：研究包括临床诊断患有IRD的患者。患者进行了超广阔的菲尔德（UWF）眼底照片，眼底自动荧光（FAF），光学相干断层扫描（OCT）。完成了谱系图表。遗传测试，分析了临床外显子组。结果：我们报告了35例选择接受遗传测序的35例CERKL基因突变患者的眼科和遗传发现（在我们的62名22名IRD患者中）。年龄从17至45岁（中位数25岁）不等。视觉范围从logmar 0.18到1.8。OCT显示出103至268微米的中央黄斑厚度（CMT）。多数患者的眼底表现出黄斑色素的变化，其萎缩，消除或有限的周围视网膜色素变化；轻度的视盘苍白和最小的血管衰减。在黄斑处的斑点低荧光是最常见的发现，视网膜周围的低自露倍率最小。所有患者的遗传测序均显示出相同的突变，在CERKL基因的外显子7（CHR2：G.181548785_181548786DEL）中是2个碱基对缺失。偶然，所有患有CERKL基因突变的患者均来自一个族裔群落，提示创始人突变效应。结论：CERKL基因结果中的突变是印度北部IRD的最常见原因之一。受影响的患者显示出明确的早期黄斑受累。这项研究报告了在印度北部一个大种族社区中Cerkl基因中的创始人突变效应的存在。关键词：创始人突变，CERKL基因突变，基因型表型相关，遗传性视网膜营养不良（IRD），色素性视网膜炎（RP）
解剖种族差异对使用基于图像的深度学习模型对菲律宾视网膜眼底照片进行人工智能分析的影响，MD 1,2,3
人工智能 (AI) 是诊断和治疗视网膜疾病的一种可能改变范式的创新。深度学习 (DL) 是一种更新、更复杂的 AI 子类型，通常用于处理来自文本、音频和照片的信息。较旧的 AI 模型需要预先编程的指令来分析信息，而较新的 DL 算法可以基于之前输入的信息来“学习”新事物并得出结论。1 例如，DL 算法首先被教导什么是视网膜眼底照片。它学习如何识别正常标志。一旦它能够正确地做到这一点并遇到视网膜病变，它就会学会将其识别为异常发现。它可以学会这种病变是什么，然后 DL 算法识别特征并将其与之前训练的内容联系起来。当它在另一张图片中遇到它时，它应该能够识别它是什么，尽管它的外观有所不同。
引用Gao W，Shao L，Li F，Dong L，Zhang C，Deng Z，Qin P，Wei W和Ma L（2024），使用深LE
与年龄相关的白内障是世界上失明最重要的原因。根据《 2020年疾病研究的全球负担研究》的报告，2020年50岁及2000年以上的人失明的主要原因是白内障，有超过1500万例。在全球白内障引起的中度和严重视力障碍也有7880万人口[1]。白内障目前仅通过手术有效治疗。但是，由于不同领域的发展不平衡和医疗资源短缺，许多白内障患者尚未接受适当的治疗。必须提高白内障早期检测和分类的能力。基于透镜不透明度的位置有三种主要类型的白内障类型：皮质性白内障（CC），核白内障（NC）和后下囊白内障（PSC）[2]。cc是一种楔形的不透明度，它从镜头的外边缘生长到中心[3]。nc代表晶状体中央区域的渐进性不透明和晶状体核的硬化。PSC在镜头后囊中是不透明度，通常在年轻人和糖尿病患者中出现[4]。具有眼部创伤史的人更有可能患有CC和PSC [5]。研究表明，全身性和局部类固醇的使用都是发展PSC的严重危险因素[6，7]。PSC比其他两种类型的白内障的发展速度更快，并且更有可能引起视觉障碍[8]。患者也可能同时具有两种或三种类型的白内障。Xu等。Xu等。研究表明，当多一种类型的白内障一起出现时，它们会对视觉特定功能产生更大的影响。单独的PSC在NC和CC之前具有最大的影响[3]。这表明不同白内障类型的作用是加性的，在评估白内障患者的视觉特异性功能水平时应考虑[3]。基于白内障的类型和严重程度，患者执行与视觉相关的任务的能力受到不同的影响，并且手术的时间和手术方法也有所不同。因此，需要对白内障患者进行个性化评估和管理。根据这些白内障类型，已经独立引入了不同的临床白内障分类标准。镜头不相处的分类系统III和其他系统分别根据缝隙灯和重新照明图像分别评估三种不同类型的严重性[9-14]。但是，手动识别白内障类型和严重程度可能很耗时，尤其是在没有足够经验丰富的医疗能力的地方。随着白内障的情况恶化，底眼图像看起来会变得更模糊。[15]通过观察模糊程度，提出了基于眼底图像的白内障分级系统。镜头位于眼球的前部，而眼底位于后部。使用眼底摄像机用于白内障患者的视网膜成像是具有挑战性的，因为光散射可以严重降低图像质量，从而导致模糊的图像特征。例如，Yang等人。例如，Yang等人。在补充文档中引入了底面图像的成像和晶状体结构的描述。据我们所知，所有基于机器学习或深度学习的白内障研究和底底图像都集中在评估白内障严重程度上。 [16]基于从眼底图像和背部传播神经网络模型中提取的独立特征建立了合奏学习模型。据我们所知，所有基于机器学习或深度学习的白内障研究和底底图像都集中在评估白内障严重程度上。[16]基于从眼底图像和背部传播神经网络模型中提取的独立特征建立了合奏学习模型。