Глубокое обучение представляет собой разновидность методов машинного обучения, которым в последние годы уделяется значительное внимание во всем мире. DL использует методы изучения представлений с несколькими уровнями абстракции, что позволяет манипулировать входными данными без необходимости ручного проектирования функций. Это достигается за счет автоматического выявления сложных закономерностей в многомерных данных путем их проецирования на пространство более низкой размерности.18,28. DL использует сложную архитектуру CNN. Внутри этих нейронных сетей программно-определяемые «нейроны» работают в унисон, обрабатывая данные и извлекая жизненно важную информацию. Эти нейронные сети специально разработаны для имитации когнитивных процессов человеческого мозга, что позволяет алгоритму независимо оценивать точность прогнозов, генерируемых в процессе машинного обучения.29. В области медицины и здравоохранения DL нашел множество применений, особенно при анализе медицинских изображений. Системы ДО продемонстрировали сильные диагностические возможности в выявлении различных заболеваний.18. Кроме того, DL используется в офтальмологической визуализации, в частности, для фотографий глазного дна и оптической когерентной томографии (ОКТ). Известные глазные заболевания, при которых использовались методы DL, включают диабетическую ретинопатию (ДР), глаукому, возрастную дегенерацию желтого пятна (ВМД), ретинопатию недоношенных (РН) и язвы роговицы.22,30,31,32.
В этом исследовании мы разработали три модели DL на основе CNN для диагностики бактериального кератита. Модель 1 различала нормальных субъектов и пациентов с бактериальным кератитом, получая точность и площадь под кривой 99,3% и 1,0 соответственно. Модель 2 отличает FK от BK, обеспечивая приблизительную точность и AUC 84% и 0,96 соответственно. Модель 3 призвана различать кератиты, вызванные двумя основными подтипами грибов: дрожжами (Кандида spp.) и мицелиальные грибы (Аспергиллезный гриб Обвинение. И Фузариоз обвинение.). Эта модель достигла точности 77,5% и площади под кривой 0,99. Эти три модели разработаны на основе двух разных архитектур CNN, как показано на рисунке 2. Обе модели разработаны и настроены нашей исследовательской группой. Одним из примечательных свойств CNN является их первоначальная обработка входных данных через три параллельных слоя (рис. 2а). Каждый из этих слоев использует разный размер ядра. специально, [5, 5] Ядро обрабатывает меньшую область анализируемого изображения в отличие от разбираемого изображения [20, 20] ядро. Модели 1 и 3 были созданы с использованием этой архитектуры CNN. Напротив, Модель 2 показала превосходную производительность при реализации с CNN, как показано на рисунке 2b. Эти модели демонстрируют исключительную эффективность при различных аспектах кератита. Более того, учитывая размер изображений, используемых для обучения, и ограничения доступного оборудования, разумно утверждать, что более точные модели могут быть разработаны с использованием более подробных данных и более мощных компьютеров.
В этом исследовании Модель 3 была разработана для дифференциации кератита, вызванного двумя основными подтипами грибков. Эта конкретная модель достигла точности 77,5% с AUC 0,96. Эта модель представляет собой попытку точно дифференцировать подтипы грибкового кератита. Его цель — направить начальную эмпирическую терапию на более эффективную и целенаправленную противогрибковую терапию. На выбор противогрибковых препаратов может влиять несколько факторов, в том числе доступность и предпочтения лечащего врача или инфекциониста. В США натамицин 5% для местного применения одобрен FDA, легко доступен и показал лучшие результаты в случаях Фузариоз Кератит. Однако проникновение у него плохое.10,33. Амфотерицин для местного применения может быть основным вариантом лечения дрожжевых грибков и альтернативой нитчатым грибам, но он имеет недостатки, связанные с его приготовлением и стабильностью.33. Насколько нам известно, это первая успешная модель на основе DL в этом отношении.
Ранее Куо и др. разработала модель, позволяющую различать ФК и не-ФК со средней точностью 69,4%. AUC в этой модели составляла 0,65. Ограниченное количество обучающих данных и высокий уровень ошибочной классификации из-за неоднородности группы, не относящейся к FK, возможно, повлияли на производительность их модели.34. Гош и его коллеги использовали ансамбль из трех предварительно обученных CNN, чтобы различать FK и BK, которые в совокупности достигли точности, измеряемой показателем F1 (гармоническое среднее точности и полноты) 0,83 и AUC для точного отзыва 0,90.35. Их результаты близко согласуются со второй моделью в нашем исследовании и подчеркивают, что AUC для точного запоминания составляет 0,92. Рид и др. в многоцентровом исследовании с использованием вездесущих нательных камер исследовали диагностическую точность моделей человека и искусственного интеллекта. В их исследовании AUC для лучшей архитектуры CNN, лучшего человеческого корректора, самого эффективного ансамбля CNN и самого эффективного человека составляли 0,83, 0,79 и 0,87 соответственно. Основным преимуществом их модели MobileNet является ее портативность и потенциал для использования в приложениях телемедицины.32. Хонг и др. сообщили о точности различия между FK и BK около 70%. Однако, обрезав изображения щелевой лампы с помощью США2 Они добились точности 80% и площади под кривой 0,85.36. Сюй и др. создали усовершенствованную модель глубокого последовательного обучения функциям для дифференциации бактериального и грибкового кератита, достигнув точности 84% для грибкового кератита и 65% для бактериального кератита.37.
В случае ИК клинический диагноз является ключевым начальным шагом для начала подтверждающего тестирования и предложения пациентам эффективной эмпирической терапии до подтверждения возбудителя.38. Бактериальный кератит диагностируется на основе изучения истории болезни пациента и проведения микробиологических тестов. Хотя микробиологическая культура по-прежнему служит окончательным методом диагностики ИК, наша модель на основе DL, наряду с другими упомянутыми шаблонами, показала перспективность использования ИИ в диагностике ИК исключительно на основе данных визуализации. Эти модели способствуют раннему выявлению потенциальных случаев ФК и могут ускорить начало эмпирического лечения или облегчить соответствующее направление к специалистам. В некоторых случаях эти модели превосходят экспертов-людей. Ко и др. сообщили, что диагностическая точность дифференциации FK и BK у нероговичных офтальмологов и специалистов по роговице составляла 67,1% и 75,9% соответственно. Их модель DL достигла точности около 70%, что выше, чем у офтальмологов, не являющихся роговичными.34. Рид и др. Покажите, что даже лучшие эксперты-люди с многолетним опытом (AUC = 0,79) не смогли превзойти свою лучшую модель CNN (AUC = 0,83).32. Сюй и др. также сообщили, что средняя точность диагностики экспертов-исследователей составила 49,3%, в то время как их модель, основанная на DL, достигла диагностической точности 53,3% и 83,3% для BK и FK соответственно.37. В этом исследовании мы не включили диагностическую точность различения FK и BK в наш набор данных. Однако, учитывая относительно высокую точность, достигнутую нашей моделью на основе DL, мы ожидаем, что она превысит производительность экспертов-людей, но для проверки этого утверждения потребуются дальнейшие исследования. Следует отметить, что в наших моделях каждый блок CNN представляет собой сверточный слой. Кроме того, следует отметить, что в случае данного исследования ранние эксперименты показали, что использование предварительно обученных сетей, таких как семейства ResNet, Inception и VGG, приводит к более слабым результатам по сравнению с обучением сетей с нуля, аналогично подход, выбранный в данном исследовании. Стади.
У этого исследования есть несколько ограничений, которые важно учитывать при интерпретации результатов. Первоначально наше исследование не учитывало обстоятельства и контекст, в которых были сделаны изображения с помощью щелевой лампы. Кроме того, на производительность наших моделей могло повлиять низкое качество изображения из-за снижения сотрудничества пациентов в случаях тяжелого кератита с усилением симптомов. Известно, что изображения роговицы более подвержены искажениям по сравнению с изображениями сетчатки. На качество этих изображений могут влиять различные факторы, в том числе отражения светового луча щелевой лампы, блики фонарика камеры, условия окружающего освещения и общая яркость изображения. Эти факторы не контролировались в нашем исследовании. Исследование, проведенное Ghosh et al. продемонстрировали, что количество ошибочно классифицированных данных значительно снижается, когда яркость изображения тщательно контролировалась в определенном диапазоне.35. Во-вторых, набор данных для этого исследования был собран в медицинском справочном центре, где некоторые пациенты уже получали местное лечение до обследования. Кроме того, доступность местных антибактериальных препаратов, продаваемых без рецепта, в отличие от противогрибковых препаратов, может влиять на характеристики инфекции. В свою очередь, это несоответствие могло повлиять и на точность моделей. В-третьих, включение нескольких изображений для каждого глаза и отсутствие соответствия пациентов между обучающими, проверочными и тестовыми наборами потенциально могут повлиять на производительность моделей. Чтобы уменьшить возникновение так называемой «утечки наклейки»39Мы реализовали пятикратный подход перекрестной проверки, гарантируя, что наборы данных проверки и тестирования остаются полностью отделенными от набора обучающих данных. В-четвертых, в нашем исследовании использовались исключительно случаи бактериальных и грибковых инфекций, подтвержденных культурой. Предыдущие утверждения могли привести к искусственно завышенной диагностической точности наших моделей. Более того, это снижает практическую применимость этих моделей в клинических условиях. Дополнительные исследования должны изучить точность наших моделей DL при их применении в офисных условиях до того, как станет известна положительная культура.
В заключение, хотя клиническая диагностика остается критическим начальным шагом в лечении инфекционного кератита, наши модели на основе DL обеспечивают ценную поддержку в раннем распознавании потенциальных случаев грибкового и бактериального кератита и помогают обеспечить своевременное лечение или направление к врачу. Мы успешно разработали три модели на основе DL, предназначенные для диагностики инфекционного кератита, каждая из которых имеет свою уникальную роль и цель. Эти модели демонстрируют высокую точность и обещают улучшить диагностический процесс: Модель 1: Эта модель, ориентированная на практикующих врачей первичной медико-санитарной помощи, эффективно отличает людей с неясными симптомами инфекционного кератита от здоровых пациентов. Модель 2: Эта модель предназначена для опытных специалистов по уходу и офтальмологов и служит для дифференциации грибкового и бактериального кератита. Его точность и производительность обеспечивают решающую поддержку в обеспечении правильного диагноза и облегчении принятия решений о лечении. Модель 3: Эта модель была разработана для тех же специалистов, осуществляющих уход, и также различает подтипы видов грибков, вызывающих кератит. Такая точность позволяет медицинским работникам направлять экспериментальное лечение в сторону более эффективных и персонализированных вариантов, что в конечном итоге улучшает результаты лечения пациентов.
More Stories
Spotify обвиняет Apple в нежелательном изменении технологии регулировки громкости
Первый пациент Neuralink дал имя своему мозговому чипу и выучил новые языки
Meta рассматривает возможность выпуска новых очков смешанной реальности в качестве альтернативы гарнитурам