Questo articolo IA introduce un modello di apprendimento approfondito per la classificazione delle fasi della degenerazione maculare correlata all’età utilizzando scansioni OCT retiniche del mondo reale.

Un nuovo approccio di apprendimento approfondito per la classificazione delle fasi della degenerazione maculare correlata all'età utilizzando scansioni OCT retiniche reali l'articolo IA che cambierà il gioco!

Un nuovo articolo di ricerca presenta un classificatore basato sul deep learning per le fasi della degenerazione maculare correlata all’età (AMD) utilizzando scansioni retiniche tomografiche a coerenza ottica (OCT). Utilizzando una rete neurale convoluzionale a due stadi, il modello classifica volumi tridimensionali centrati sulla macula da immagini OCT Topcon nelle fasi Normali, AMD precoce/intermedia (iAMD), atrofica (GA) e neovascolare (nAMD). Il primo stadio utilizza una rete 2D ResNet50 per la classificazione di B-scan, mentre il secondo stadio utilizza modelli più piccoli (ResNet) per la classificazione del volume.

Il modello, addestrato su un ampio dataset, ha ottenuto risultati eccellenti nella categorizzazione di volumi tridimensionali centrati sulla macula nelle fasi Normali, iAMD, GA e nAMD. Lo studio sottolinea l’importanza di una corretta stadiatura dell’AMD per l’inizio tempestivo del trattamento. Gli indicatori di prestazione includono ROC-AUC, accuratezza bilanciata, accuratezza, punteggio F1, sensibilità, specificità e coefficiente di correlazione di Matthews.

La ricerca descrive la creazione di un sistema basato sul deep learning per la rilevazione e la stadiatura automatizzate dell’AMD utilizzando scansioni OCT retiniche. L’OCT, una tecnica di imaging non invasiva, è fondamentale per fornire informazioni dettagliate sulla stadiatura dell’AMD rispetto ai metodi tradizionali. Lo studio sottolinea l’importanza di dataset di alta qualità per un’analisi robusta.

• NetEase Youdao open-source EmotiVoice un potentissimo motore di sintesi vocale moderno.
• Masterizzare l’elaborazione di dati batch con Versatile Data Kit (VDK)
• Incontra il progetto Open Se Cura di Google un framework open-source per accelerare lo sviluppo di sistemi di intelligenza artificiale sicuri, scalabili, trasparenti ed efficienti.

Lo studio ha implementato un modello di deep learning a due stadi utilizzando ResNet50 preaddestrato su ImageNet e quattro ResNet separate per la classificazione binaria dei biomarcatori dell’AMD sulle scansioni OCT. Il primo stadio ha localizzato le categorie di malattia all’interno del volume, mentre il secondo stadio ha eseguito la classificazione a livello di volume. Il modello, addestrato su un dataset OCT del mondo reale, ha dimostrato risultati promettenti in termini di indicatori di prestazione, inclusi ROC-AUC, accuratezza bilanciata, accuratezza, punteggio F1, sensibilità, specificità e coefficiente di correlazione di Matthews. Lo studio ha riconosciuto le sfide nell’utilizzo di dataset OCT diversi provenienti da dispositivi diversi e ha discusso dei potenziali problemi di generalizzazione.

Il sistema di rilevazione e stadiatura dell’AMD basato sul deep learning ha dimostrato prestazioni promettenti, con una ROC-AUC media di 0.94 in un set di test del mondo reale. L’inclusione di dropout Monte-Carlo al momento dell’inferenza ha migliorato l’affidabilità delle stime di incertezza di classificazione. Lo studio ha utilizzato un dataset selezionato di 3995 volumi OCT provenienti da 2079 occhi, valutando le prestazioni con vari indicatori, tra cui AUC, BACC, ACC, punteggio F1, sensibilità, specificità e MCC. I risultati evidenziano il potenziale del modello per una classificazione e una stadiatura accurate dell’AMD, contribuendo a un trattamento tempestivo e alla preservazione della funzione visiva.

Lo studio ha sviluppato con successo un sistema automatizzato di rilevazione e stadiatura dell’AMD basato sul deep learning utilizzando scansioni OCT. La rete neurale convoluzionale a due stadi ha classificato accuratamente volumi tridimensionali centrati sulla macula in quattro classi: Normale, iAMD, GA e nAMD. Il modello di deep learning ha mostrato prestazioni comparabili o superiori agli approcci di base, con il vantaggio aggiuntivo della localizzazione della malattia a livello di B-scan.

Ulteriori ricerche possono migliorare la generalizzabilità del modello di deep learning a diversi dispositivi OCT, considerando adattamenti per scanner come Cirrus e Spectralis. Dovrebbero essere esplorate metodologie di adattamento al cambiamento di dominio per affrontare le limitazioni legate all’addestramento specifico del dataset, garantendo prestazioni robuste in diverse rapporti segnale-rumore. Il potenziale del modello per la rilevazione retrospettiva dell’insorgenza dell’AMD potrebbe essere esteso, consentendo l’etichettatura automatica di dataset longitudinali. L’applicazione delle stime di incertezza in contesti di screening del mondo reale e l’esplorazione del modello per la rilevazione di altri biomarcatori di malattie oltre all’AMD sono percorsi promettenti per future indagini, favorendo lo screening delle malattie in una popolazione più ampia.