使用深度学习预测未来 Humphrey 视野
计算机视觉与模式识别
2019-06-19 v1 机器学习
摘要
目的：确定深度学习网络是否可被训练以预测未来的 24-2 Humphrey 视野（HVF）。受试者：所有在华盛顿大学接受 HVF 24-2 检查的患者。方法：从华盛顿大学数据库提取 1998 年至 2018 年连续 24-2 HVF 的所有数据点。使用带有留出测试集的十折交叉验证来开发模型开发的三个主要阶段：模型架构选择、数据集组合选择以及带迁移学习的时间间隔模型训练，以训练能够生成逐点视野预测的深度学习人工神经网络。结果：从 32,443 个 24-2 HVF 中提取了超过 170 万个以百分之一分贝为精度的视野计点。选定了具有 2000 万可训练参数、性能最佳的模型 CascadeNet-5。测试集的总体 MAE 为 2.47 dB（95% CI：2.45 dB 至 2.48 dB）。100 个完全训练的模型能够成功预测青光眼眼未来长达 5.5 年的进行性视野缺损，预测与实际未来 HVF 的 MD 之间相关系数为 0.92（p < 2.2 x 10^-16），平均差异为 0.41 dB。结论：使用未过滤的真实世界数据集，深度学习网络展现出令人印象深刻的的能力，不仅能学习时空 HVF 变化，还能在仅给定单次 HVF 的情况下生成未来长达 5.5 年的 HVF 预测。
引用
@article{arxiv.1804.04543,
title = {Forecasting Future Humphrey Visual Fields Using Deep Learning},
author = {Joanne C. Wen and Cecilia S. Lee and Pearse A. Keane and Sa Xiao and Yue Wu and Ariel Rokem and Philip P. Chen and Aaron Y. Lee},
journal= {arXiv preprint arXiv:1804.04543},
year = {2019}
}