利用纵向眼底图像预测 AMD 进展的新型预后模型的开发与验证
机器学习
2020-07-13 v1 图像与视频处理
机器学习
摘要
预后模型旨在预测疾病或状况的未来进程，是个性化医疗的重要组成部分。统计模型利用纵向数据来捕捉疾病进展的时间特征；然而，这些模型需要事先进行特征提取。深度学习避免了显式的特征提取，这意味着我们可以针对特征未知或无法准确量化的图像开发模型。先前使用成像数据的深度学习预后模型需要在训练时进行标注或仅利用单一时间点。我们提出了一种利用具有不均匀时间间隔的纵向成像数据预测疾病进展的新型深度学习方法，该方法无需事先特征提取。给定患者先前的图像，我们的方法旨在预测患者是否会进展到疾病的下一阶段。所提出的方法使用 InceptionV3 为每幅图像生成特征向量。为考虑不均匀时间间隔，提出了一种新颖的区间缩放方法。最后，使用循环神经网络（RNN）对疾病进行预后判断。我们在一个来自年龄相关眼病研究（Age-Related Eye Disease Study）的 4903 只眼的彩色眼底图像纵向数据集上验证了我们的方法，以预测向晚期 AMD 的进展。我们的方法在测试中达到了 0.878 的灵敏度、0.887 的特异度以及 0.950 的受试者工作特征曲线下面积。我们将我们的方法与先前的方法进行比较，显示出我们的模型具有更优的性能。类激活图展示了网络如何得出最终决策。
引用
@article{arxiv.2007.05120,
title = {Development and Validation of a Novel Prognostic Model for Predicting AMD Progression Using Longitudinal Fundus Images},
author = {Joshua Bridge and Simon P. Harding and Yalin Zheng},
journal= {arXiv preprint arXiv:2007.05120},
year = {2020}
}