Cải thiện khả năng tổng quát trong phát hiện đục thủy tinh thể ở trẻ em thông qua chiến lược phân vùng thủy tinh thể dựa trên học sâu và tập dữ liệu đa trung tâm
Tóm tắt
Đục thủy tinh thể ở trẻ em là nguyên nhân chính gây mù lòa ở trẻ sơ sinh trên toàn thế giới. Mặc dù các nghiên cứu trước đây đã phát triển hệ thống chẩn đoán trí tuệ nhân tạo (AI) để phát hiện đục thủy tinh thể ở trẻ em tại một trung tâm duy nhất, nhưng khả năng tổng quát của nó không lý tưởng do tiếng ồn phức tạp và sự không đồng nhất của hình ảnh máy slit-lamp từ nhiều trung tâm, điều này cản trở việc áp dụng các hệ thống AI này tại các phòng khám thực tế. Trong nghiên cứu này, chúng tôi đã phát triển hai chiến lược phân vùng thủy tinh thể (LPSs) dựa trên học sâu Faster R-CNN và biến đổi Hough để cải thiện khả năng tổng quát của việc phát hiện đục thủy tinh thể ở trẻ em. Tổng cộng có 1.643 hình ảnh máy slit-lamp từ nhiều trung tâm được thu thập từ năm phòng khám nhãn khoa đã được sử dụng để đánh giá hiệu suất của các LPS. Khả năng tổng quát của Faster R-CNN trong việc sàng lọc và phân loại đã được khám phá bằng cách thêm tuần tự các hình ảnh đa trung tâm vào tập dữ liệu huấn luyện. Đối với việc phân vùng thủy tinh thể bình thường và bất thường, Faster R-CNN đạt được tỷ lệ giao nhau trung bình là 0.9419 và 0.9107, lần lượt, và độ chính xác trung bình của chúng đều > 95%. So với biến đổi Hough, độ chính xác, độ đặc hiệu và độ nhạy của Faster R-CNN trong việc phân loại vùng đục đã được cải thiện lần lượt là 5.31, 8.09 và 3.29%. Những cải thiện tương tự cũng được trình bày trong việc phân loại mật độ đục và vị trí khác. Kích thước mẫu huấn luyện tối thiểu mà Faster R-CNN yêu cầu được xác định trên hình ảnh máy slit-lamp từ nhiều trung tâm. Hơn nữa, Faster R-CNN đạt được việc phân vùng thủy tinh thể theo thời gian thực chỉ với 0.25 giây cho một hình ảnh đơn lẻ, trong khi biến đổi Hough cần 34.46 giây. Cuối cùng, bằng cách sử dụng các kỹ thuật Grad-Cam và t-SNE, các vùng tổn thương liên quan nhất đã được làm nổi bật trong các bản đồ nhiệt, và các đặc điểm cấp cao đã được phân biệt. Nghiên cứu này cung cấp một LPS hiệu quả để cải thiện khả năng tổng quát trong phát hiện đục thủy tinh thể ở trẻ em. Hệ thống này có tiềm năng được áp dụng cho hình ảnh máy slit-lamp từ nhiều trung tâm.
Từ khóa
Tài liệu tham khảo
Long, 2017, An artificial intelligence platform for the multihospital collaborative management of congenital cataracts, Nat Biomed Eng., 1, 1, 10.1038/s41551-016-0024
Wang, 2017, Comparative analysis of image classification methods for automatic diagnosis of ophthalmic images, Sci Rep., 7, 41545, 10.1038/srep41545
Liu, 2017, Localization and diagnosis framework for pediatric cataracts based on slit-lamp images using deep features of a convolutional neural network, PLoS ONE., 12, e0168606, 10.1371/journal.pone.0168606
Jiang, 2017, Automatic diagnosis of imbalanced ophthalmic images using a cost-sensitive deep convolutional neural network, Biomed Eng Online., 16, 132, 10.1186/s12938-017-0420-1
Gulshan, 2016, Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs, JAMA., 316, 2402, 10.1001/jama.2016.17216
Ting, 2017, Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes, JAMA., 318, 2211, 10.1001/jama.2017.18152
Burlina, 2018, Utility of deep learning methods for referability classification of age-related macular degeneration, JAMA Ophthalmol., 136, 1305, 10.1001/jamaophthalmol.2018.3799
Peng, 2019, DeepSeeNet: a deep learning model for automated classification of patient-based age-related macular degeneration severity from color fundus photographs, Ophthalmology., 126, 565, 10.1016/j.ophtha.2018.11.015
Asaoka, 2019, Using deep learning and transfer learning to accurately diagnose early-onset glaucoma from macular optical coherence tomography images, Am J Ophthalmol., 198, 136, 10.1016/j.ajo.2018.10.007
Yala, 2019, A deep learning mammography-based model for improved breast cancer risk prediction, Radiology., 292, 60, 10.1148/radiol.2019182716
Bejnordi, 2017, Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer, JAMA., 318, 2199, 10.1001/jama.2017.14580
Esteva, 2017, Dermatologist-level classification of skin cancer with deep neural networks, Nature., 542, 115, 10.1038/nature21056
Hazlett, 2017, Early brain development in infants at high risk for autism spectrum disorder, Nature., 542, 348, 10.1038/nature21369
Shin, 2016, Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning, IEEE Trans Med Imaging., 35, 1285, 10.1109/TMI.2016.2528162
Jaiswal, 2020, Classification of the COVID-19 infected patients using DenseNet201 based deep transfer learning, J Biomol Struct Dyn., 7, 1, 10.1080/07391102.2020.1788642
Liang, 2020, A transfer learning method with deep residual network for pediatric pneumonia diagnosis, Comput Methods Programs Biomed., 187, 104964, 10.1016/j.cmpb.2019.06.023
Lin, 2015, Documenting rare disease data in China, Science., 349, 1064, 10.1126/science.349.6252.1064-b
Razzak, 2018, Deep learning for medical image processing: Overview, challenges and the future, Classification in BioApps. Lecture Notes in Computational Vision and Biomechanics, vol 26., 323
Koppe, 2021, Deep learning for small and big data in psychiatry, Neuropsychopharmacol., 46, 176, 10.1038/s41386-020-0767-z
Faviez, 2020, Diagnosis support systems for rare diseases: a scoping review, Orphanet J Rare Dis., 15, 1, 10.1186/s13023-020-01374-z
Medsinge, 2015, Pediatric cataract: challenges and future directions, Clin ophthalmol., 9, 77, 10.2147/OPTH.S59009
Lenhart, 2015, Global challenges in the management of congenital cataract: proceedings of the 4th international congenital cataract symposium, J AAPOS., 19, e1, 10.1016/j.jaapos.2015.01.013
Chak, 2006, Long-term visual acuity and its predictors after surgery for congenital cataract: findings of the British congenital cataract study, Invest Ophthalmol Vis Sci., 47, 4262, 10.1167/iovs.05-1160
Vasavada, 2006, Pediatric cataract surgery, Curr Opin Ophthalmol., 17, 54, 10.1097/01.icu.0000193069.32369.e1
Daugman, 2007, New methods in iris recognition, IEEE Trans Syst Man Cybern B Cybern., 37, 1167, 10.1109/TSMCB.2007.903540
Masek, 2003, Recognition of Human Iris Patterns for Biometric Identification
Lin, 2019, Diagnostic efficacy and therapeutic decision-making capacity of an artificial intelligence platform for childhood cataracts in eye clinics: a multicentre randomized controlled trial, EClinicalMedicine., 9, 52, 10.1016/j.eclinm.2019.03.001
Long, 2020, Artificial intelligence manages congenital cataract with individualized prediction and telehealth computing, NPJ Digit Med., 3, 1, 10.1038/s41746-020-00319-x
Kohavi, 1995, A study of cross-validation and bootstrap for accuracy estimation and model selection, Ijcai
Ren, 2016, Faster r-cnn: towards real-time object detection with region proposal networks, IEEE Trans Pattern Anal Mach Intell., 39, 1137, 10.1109/TPAMI.2016.2577031
He, 2016, Deep residual learning for image recognition, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 10.1109/CVPR.2016.90
Grewal, 2018, Deep learning in ophthalmology: a review, Can J Ophthalmol., 53, 309, 10.1016/j.jcjo.2018.04.019
Ting, 2019, Artificial intelligence and deep learning in ophthalmology, Br J Ophthalmol., 103, 167, 10.1136/bjophthalmol-2018-313173
Li, 2020, Dense anatomical annotation of slit-lamp images improves the performance of deep learning for the diagnosis of ophthalmic disorders, Nat Biomed Eng., 4, 767, 10.1038/s41551-020-0577-y
Krizhevsky, 2017, Imagenet classification with deep convolutional neural networks, Commun ACM., 60, 84, 10.1145/3065386
Going deeper with convolutions SzegedyC LiuW JiaY SermanetP ReedS AnguelovD 10.1109/CVPR.2015.7298594.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition2015
Highway networks SrivastavaRK GreffK SchmidhuberJ arXiv2015
Selvaraju, 2017, Grad-cam: visual explanations from deep networks via gradient-based localization, Proceedings of the IEEE International Conference on Computer Vision, 10.1109/ICCV.2017.74
Visualizing data using t-SNE2579605 Van der MaatenL HintonG J Mach Learn Res.92008
Pytorch: an imperative style, high-performance deep learning library PaszkeA GrossS MassaF LererA BradburyJ ChananG Adv Neural Inf Process Syst.2019