训练的“慎独”下
“我们的目标是使用这种独特的大组眼底和10月的图片该研究的第一作者Olle Holmberg说,他来自Helmholtz Zentrum München和慕尼黑工业大学生命科学学院。
该研究小组开发了一种名为“交叉模态自监督视网膜厚度预测”的新方法,并将其应用于用LMU数据集对深度学习算法进行预训练。在这个用例中,交叉模态自我监督学习允许算法自学,以不同oct衍生的视网膜厚度剖面识别未注释的眼底图像,直接从眼底预测厚度信息。通过准确预测视网膜厚度(糖尿病视网膜病变的关键诊断特征),该算法能够了解如何预测筛查结果。
高性能与四分之一的训练数据
这种新方法大大减少了训练深度学习算法所需的昂贵标注数据。当应用于糖尿病视网膜病变的自动筛查时,与之前需要更多训练数据的算法和人类专家相比,它取得了相同的诊断性能。
“我们将注释数据的需求减少了75%,”Fabian Theis教授说。他是Helmholtz Zentrum München计算生物学研究所主任,也是Helmholtz AI (Helmholtz Association的人工智能平台)的科学主任,领导了这项研究。稀疏注释数据是医学领域的一大挑战。我们的目标之一是开发一种可以在更少的数据下工作的方法,并有可能在许多情况下应用。我们在糖尿病视网膜病变方面的应用案例已经准备好在诊所中立即使用,这是人工智能如何改善诊所日常业务,从而改善每个人的健康的一个完美例子。”
“利用广泛使用的眼底摄影技术自动检测和诊断视力受损的糖尿病视网膜病变是筛查的一大进步。因此,将患者转诊到部分人满为患的专科眼科护理中心也可以减少。”负责这项研究临床方面的慕尼黑大学眼科医院的Karsten Kortuem博士说。
此外,在算法本身实现了尺寸的额外减少,即参数的数量。这种新方法可以实现多达200倍的小算法。这可能是将它们部署到移动和嵌入式设备上的一个关键好处,这在临床环境中也很重要。
应用范围超越糖尿病视网膜病变
除了糖尿病性视网膜病变,该新方法还允许进一步的临床应用,在这些临床应用中,有许多未注释的数据可用,但专家注释稀缺,如年龄相关性黄斑变性(AMD)。
来源:亥姆霍兹慕尼黑中心的