retina-VAE：以变分方式解码黄斑疾病的谱系
图像与视频处理
2019-07-12 v1 机器学习
组织与器官
机器学习
摘要
在本文中，我们寻求一种具有临床相关性的潜变量编码，用于表示黄斑疾病的谱系。为此，我们构建了 retina-VAE，一种基于变分自编码器（variational autoencoder）的模型，该模型接受患者特征向量（pVec）作为输入。pVec 的组成部分包括临床检查结果和人口统计学信息。我们在视网膜黄斑病变的一个子谱系上评估该模型，具体而言，为渗出性年龄相关性黄斑变性、中心性浆液性脉络膜视网膜病变和息肉状脉络膜血管病变。针对这三种黄斑病变，基于文献中已知的疾病统计数据，合成了包含 3000 个 6 维 pVec（每种各 1000 个）的数据库。随后使用该数据库训练 VAE 并生成潜向量表示。我们发现，与 2 维或 4 维潜变量相比，3 维潜向量架构的训练性能最佳。此外，对于 3D 潜变量架构，我们发现所得潜向量自发地强聚类为 14 个簇之一。随后仅使用 Kmeans 来识别每个簇的成员并检视簇属性。这些簇暗示了潜在的疾病亚型，其可能对特定药物治疗（如抗血管内皮生长因子变体）产生较好或较差的反应。retina-VAE 框架有望对疾病的机制与表现提供新的基础性见解，并可能促进个性化药物与基因疗法的发展。
引用
@article{arxiv.1907.05195,
title = {retina-VAE: Variationally Decoding the Spectrum of Macular Disease},
author = {Stephen G. Odaibo},
journal= {arXiv preprint arXiv:1907.05195},
year = {2019}
}