深度学习超越机器学习,能透过视网膜眼底影像精准检测帕金森氏症

深度学习超越机器学习,能透过视网膜眼底影像精准检测帕金森氏症

被称为“大脑之窗”的视网膜,为评估与许多神经退化性疾病(neurodegenerative disease)相关的神经病理过程提供了可行的途径。虽然近来这方面已取得进展,但仍需进一步研究视网膜的结构性退化以提高视网膜诊断的能力。对此,深度学习(DL)模型和传统机器学习(ML)演算法已成为高效的诊断工具。最近发表的一项科学研究论文报告深入探讨了深度学习透过视网膜眼底影像来预测帕金森氏症(PD)的诊断筛检潜力。

自 2000 年以来,由于缺乏对老年人的高品质早期介入疗育措施,与帕金森氏症相关的死亡人数已经增加了一倍以上,所以进一步研究了解帕金森氏症病理,并开发早期诊断系统便成为当务之急。

该论文表明,想要深入了解帕金森氏症的视网膜生物标记物,需要对视网膜血管的结构性退化有全面的了解。虽然临床上多半难以实现,但 AI 可以帮助阐明视网膜在局部和全局空间层面上的复杂关系。

深度学习提升早期疾病介入可行性,有望降低帕金森氏症死亡率

该研究的主要目的是系统性地记录帕金森氏症进展各阶段的分类表现,包括初发性(incident)和普遍性(prevalent)帕金森氏症。在忽略任何特征选择方法或外部定量指标的情况下,研究人员让 AI 演算法的诊断能力最大化。同时透过深度学习和传统机器学习方法确立其稳健度(robustness)。

研究结果显示,深度神经网络优于传统机器学习模型,在视网膜眼底影像帕金森氏症检测中表现出卓越的性能。该模型成功预测了正式诊断前帕金森氏症的发病率,在 0 到 5.07 年之间的灵敏度达到 80%。在 5.07 至 5.57 年之间提升到 93.33%,在 5.57 至 7.38 年之间降至 81.67 %。这样优异的表现们显示了早期疾病介入的潜力。

自动化的深度神经网络可以辅助眼科医生识别疾病生物标记并进行高通量评估。直到目前为止,使用视网膜进行基于 AI 的帕金森氏症评估仍然非常少见。重要的是,以往的研究并未对深度学习和传统机器学习方法进行比较。该研究评估了这两种方法,将整个眼底影像视为一种诊断媒介。此外,普遍性和初发性帕金森氏症患者与适当匹配的健康对照组成功区分,准确率达 68%

  • Deep learning shines a new light on Parkinson’s detection through the eye

(首图来源:shutterstock)

   特别声明    本页内容仅供参考,版权终归原著者所有,若有侵权,请联系我们删除。