Keratoconus severity detection using LSTM and machine learning techniques
本研究采用两种基于长短期记忆网络（LSTM）的机器学习模型，通过分析来自OCT图像的患者眼部参数来检测圆锥角膜的严重程度，通过同时考虑单眼和双眼数据，有效地监测疾病进展。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类的眼睛依赖于其前方一个被称为角膜的透明、圆顶状窗口来聚焦光线并产生清晰的图像。当这个窗口健康时，它会保持平滑且规则的弧度。然而，一种被称为圆锥角膜的疾病会导致角膜变薄并向外凸起成圆锥形状，就像一个从内部被向外推的气球一样。这种畸变会散射光线，导致视力模糊、眩光和视物困难，通常在一个人十几岁或二十多岁时开始出现。虽然在早期阶段，该疾病可以通过眼镜或隐形眼镜进行管理，但它可能会进展到需要更具侵入性治疗的地步。医生面临的挑战在于，这种疾病往往开始得非常微妙，其变化如此细微，以至于用标准检查很难发现，然而及早发现对于保护视力至关重要。
为了解决这个问题，研究人员转向了一种强大的成像工具——光学相干断层扫描技术，它就像是眼睛的高分辨率超声波，能够创建角膜表面和厚度的详细三维地图。通过分析这些随时间变化的地图，医生可以追踪角膜的变化。一项新的研究更进一步，教计算机去识别这种进展的模式。研究人员使用了一种被称为长短期记忆网络（long short-term memory network）的人工智能类型，这是一种旨在从事件序列中学习的系统，类似于人类通过回忆事件发生的顺序来记住一个故事的方式。该计算机并非只看单次眼部扫描的快照，而是接受训练去查看患者的眼部扫描历史，学习如何根据测量的时间线来预测病情的严重程度。
这项研究侧重于一个包含来自日本患者数千份眼部扫描数据的大型数据集。这些扫描包括数百种不同的测量值，例如角膜前表面和后表面的曲率以及其各层的厚度。研究人员将这些数据组织成两种不同的方法，以观察哪种方法效果更好。第一种方法将每只眼睛视为一个独立的故事，将一只眼睛的历史记录一次性输入计算机，以预测其严重程度。第二种方法更为全面；它同时观察同一患者的两只眼睛，意识到虽然疾病对每只眼睛的影响可能不同，但两者的进展往往是相互关联的。计算机被要求将眼睛分为三类：健康的、轻度或早期阶段（症状几乎察觉不到的阶段），以及更高级阶段（圆锥形状已明显形成的阶段）。
结果显示，计算机在执行这项任务时变得非常熟练。在观察单只眼睛时，该系统能以近乎完美的准确度正确识别健康眼睛和晚期病例，几乎无误地将它们区分开来。识别轻度早期阶段对计算机来说稍显困难，而这正是人类医生最难发现的阶段，但它在绝大多数情况下仍能给出正确的答案。当研究人员允许计算机同时观察患者的两只眼睛时，准确率依然保持得很高，这表明考虑两眼之间的关系可以提供有价值的线索。该系统能够以高度精确度预测疾病的严重程度评分，在大多数情况下与实际的医学评估相匹配。
这项工作证明了人工智能可以有效地充当医生的“第二双眼睛”，帮助监测圆锥角膜随时间变化的缓慢且往往难以察觉的过程。通过学习过去扫描序列的学习过程，计算机可以发现单次检查中可能被忽略的趋势。研究发现，将两只眼睛放在一起观察可以揭示疾病在人体内移动的隐藏模式，提供比孤立观察单只眼睛更完整的图景。虽然这项技术尚未成为医生判断的替代品，但它提供了一个充满前景的工具，有助于更早地发现疾病并更可靠地追踪其进展，从而可能在视力受到显著损伤之前做出更好的治疗决策。研究人员指出，未来的工作需要对来自不同医院和人群的数据进行测试，以确保该系统适用于所有人，但初步结果表明，这是一种保护视力的强大新方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。