换一批摘要目的:探索不均衡小样本的眼底彩照病理性近视自动检测方法,使得深度学习模型能在病例量较小且分布不均衡的情况下取得同样有效的结果,推动深度学习方法在中小规模眼科临床中的应用.方法:选取南京医科大学附属逸夫医院眼科中心门诊的466 只近视眼底彩照作为小样本病例数据,以目前最新的TNT神经网络模型(Transform-er-iN-Transformer)作为基准,采用对不均衡小样本病例数据进行数据增强的方法,建立小样本的眼底彩照病理性近视自动检测模型,并与传统的大规模训练模型性能进行对比.结果:合理的数据增强方法能为基准模型带来显著的性能提升,最终建立的眼底彩照病理性近视自动检测模型在不均衡小样本上的准确率为(98.09±0.89)%,敏感性为(93.33±6.09)%,特异性为(88.14±7.92)%,AUC值为0.99,达到了传统大规模训练模型的性能.结论:在病例量较小且分布不均衡的情况下,合理的数据增强方法能显著改善深度学习模型的性能,对病理性近视检测具有与大规模训练模型同等的准确率、敏感性和特异性,这些结果将有助于进一步推广对病理性近视的自动筛查,并在随后保护患者免受由病理性近视眼底病变引起的低视力和失明.
更多相关知识
关键词
不均衡小样本病理性近视自动检测数据增强Imbalanced small samplesPathologic myopiaAutomatic detectionData augmentation
分类号
R778.1+1（眼屈光学）
栏目名称
DOI
10.19381/j.issn.1001-7585.2023.15.006
发布时间
2023-08-25（万方平台首次上网日期，不代表论文的发表时间）
基金项目
南京医科大学附属逸夫医院重点学科基金（YFZDXK02-4）
- 浏览6
- 被引2
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
