没有合适的资源?快使用搜索试试~ 我知道了~
基于智能手机的快速、无创眼部和心血管并发症监测
医学信息学解锁24(2021)100485基于智能手机的测试和预测模型,用于快速、无创和即时监测眼部和心血管并发症与糖尿病卡夏普·查克拉瓦达努拉BASIS Scottsdale,10400 N 128th St,Scottsdale,AZ,85259,USAA R T I C L EI N FO保留字:糖尿病视网膜病变筛查智能手机眼科心血管风险机器学习计算机视觉A B S T R A C T糖尿病是一个巨大的全球性问题,在发展中地区增长尤其迅速,这可能导致几种破坏性并发症。其中最具影响力的是糖尿病视网膜病变,这是工人阶级成年人失明的主要原因,以及心血管疾病,这是全球死亡的主要原因。然而,诊断往往为时已晚,无法防止这些相关疾病造成的不可逆损害。本研究描述了一个综合测试,自动化和不需要实验室血液分析,这些条件的筛选的发展。首先,通过回顾性分析各种危险因素(快速和非侵入性获得)对心血管风险的影响,建立了随机森林模型。接下来,开发了深度学习模型,用于通过修改和重新训练的InceptionV3图像分类模型从视网膜眼底图像预测糖尿病视网膜病变。通过自动分割视网膜图像中的血管来简化输入。迁移学习技术使模型能够利用目标设备上的现有基础设施,这意味着更通用的部署,特别是在低资源环境中。这些模型被集成到基于智能手机的测试中,并结合了廉价的3D打印视网膜成像附件。准确性评分,以及受试者工作特征曲线,学习曲线和其他量表,是有希望的。这种测试更便宜,更快,能够连续监测糖尿病的两种破坏性并发症。它有可能取代诊断糖尿病视网膜病变和心血管风险的手动方法,这些方法耗时且昂贵,只能由远离护理点的医疗专业人员完成,并防止不可逆的失明和心脏病。通过更快、更便宜和更安全的监测糖尿病并发症, 此外,跟踪糖尿病的心血管和眼部并发症的诊断可以改善对其他糖尿病并发症的检测,从而在全球范围内实现更早和更有效的治疗1. 介绍全世界大约有4.2亿人被诊断患有糖尿病,并且预计这只会增加。在糖尿病患者中,预计约有三分之一的人 糖尿病视网膜病变(DR)是一种慢性眼病,可发展为不可逆的视力丧失,也是工人阶级失明的主要原因(糖尿病眼病的事实,2015)。早期检测对于有效的预后至关重要,它依赖于熟练的读者,而且劳动和时间密集,这限制了谁可以得到帮助。熟练的读者通过分析几个因素来进行预后,包括:威胁视力的视网膜肿胀,视网膜血管循环不良的证据和异常血管或者是视网膜中的组织[4]。此外,DR筛查方法的手动性质在读者中产生不一致性[4]。Xie等人[15]发现,增殖性糖尿病视网膜病变患者发生心血管疾病的风险增加(可表现为眼部血管异常),这意味着必须对这些患者进行更密切的随访,以预防心血管疾病。由于这种联系,同时监测具有几个优点,以提高早期发现和风险预测的事件心血管疾病。心血管疾病是世界上男女死亡的主要原因。在美国,每4例死亡中就有1例死于心血管疾病。虽然心血管疾病是全球死亡的主要原因,但许多人并没有对风险因素和警告信号采取行动电子邮件地址:kasychakra@gmail.com。https://doi.org/10.1016/j.imu.2020.100485接收日期:2020年5月7日;接收日期:2020年11月2日;接受日期:2020年11月19日2020年12月9日网上发售2352-9148/©2020的 作者。发表通过 Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页:http://www.elsevier.com/locate/imuK. 查克拉瓦达努拉医学信息学解锁24(2021)1004852=尽管大约一半(47%)的美国人至少有一个显著的风险因素[7]。对于这些极其普遍的问题,风险检测/预测的当前方法(下文详述)是昂贵的、缓慢的、不可访问的,并且通常是不一致的。由于更容易获得的机器学习的出现,机器学习和深度学习也被应用于各种医疗问题。到目前为止,这些方法自动预测糖尿病视网膜病变和心血管风险的应用虽然准确,但资源密集且计算成本高,导致无法在低资源环境中的设备上应用这些方法。同样,这些测试也是分开的(进一步比较参见“讨论“部分)。这项研究旨在应用各种机器学习/深度学习算法,以更便宜,更快速,更方便,更一致的方式在综合测试中监测糖尿病视网膜病变和心血管疾病EyePACS [3]最近发表的一篇文章揭示了视网膜的使用,眼底图像在糖尿病视网膜病变预测中的应用研究表明,通过分析视网膜眼底图像(年龄,性别,收缩压和吸烟者百分比等)可以预测健康的许多其他方面,这些都是心血管疾病的危险因素尽管存在相当准确的自动化测试来预测处于心血管疾病风险中的组(例如,合并队列和Fra-10),但是这些测试是耗时的、资源密集的和侵入性的。这是由于分析中的几个风险因素是在血液测试中确定的,这通常需要很长时间才能返回结果,成本高昂,并且在低资源地区通常无法获得[11,12]。因此,目前评估心血管风险的方法不适合大规模有效的连续监测。一个更容易获得和易于执行的测试的差距是本研究希望通过创建一个基于智能手机的,易于管理的测试,通过分析风险因素(通过用户输入)和视网膜眼底图像来填补。糖尿病视网膜病变(D.R.)需要视网膜眼底图像,该图像必须由经过培训的专业人员在适当配备的设施中使用可能花费约5000美元的设备拍摄。 然后,图像必须由专业阅读器进行处理,这非常耗时(长达7周)。目前的方法是缓慢的,不方便的,昂贵的,和不一致的(由于手动读取),因此是无效的早期检测和响应之前的损害是不可逆的[4]。在发展中国家,糖尿病视网膜病变是最具破坏性的,目前的解决方案无法有效实施目前,存在通过深度学习从视网膜眼底图像自动预测糖尿病视网膜病变的解决方案[4,14],然而,当前方法要么在准确性上不稳定,要么计算资源过于密集,无法在大多数移动设备上实现(参见讨论部分以获得进一步解释)。本研究旨在构建一种廉价,方便,一致的设备,用于快速视网膜成像和诊断,这也可以在低资源环境中有效地实施。本研究的两个具体目标是在不结合需要实验室血液分析来确定的特征的情况下预测心血管风险的高准确性,以及利用智能手机上的现有模型的计算轻基础设施,以实现在移动终端上的快速和复杂分析。这些在低资源环境中尤其相关(在这些环境中关于采用和技术可用性的实施将在“结论”中进一步讨论)。由于心血管疾病占美国死亡人数的三分之一[7],糖尿病视网膜病变是全球视力损害和失明的主要原因[8],因此这项研究具有巨大的社会影响潜力。2. 材料和方法2.1. 心血管危险因素模型11个输入特征(可以非侵入性地快速获取并且容易地)和一个输出特征(风险分类)从加州大学欧文分校(UCI)心脏病数据集中选择[9])。原始数据以间隔的数字列表的形式出现,带有随机缩进。MySQL允许将此数据结构化为.csv文件。最后一步是使用Pandas将.csv转换为可以在模型中使用的python NumPy数组。“SciKit-learn“库用于为这项任务构建模型。为了选择模型结构,测量了在相对小的数据集上通用的几种模型类型的预优化测试精度(使用来自Sci-Kit Learn的默认参数)。通过随机隔离20%的数据集,允许模型在剩余的80%上进行训练,并在剩下的20%上测量模型的分类准确性,以测试模型尚未看到的样本。图1中比较了3种表现最好的结构(随机森林,经典朴素贝叶斯,K最近邻)。在这个初步测试中,随机森林模型的准确率最高,因此选择随机森林模型进行这项任务。其他模型(朴素贝叶斯,K-NN)是第二和第三高性能模型,仅用于比较;它们在本研究中没有进一步的作用数据集被随机分为训练集和测试集(20%用于其余的都是训练用的)。优化的模型是用python和“SciKit-learn“库构建的,使用n = 100个估计器(树“节点”),通过在600个n值范围内对每个模型进行迭代测试得到。为了以低偏倚的方式衡量模型的优化检验精度,用了该技术创建k个唯一的训练和测试数据集(其中k是整数,表示折叠次数)。为了评估这个模型,k 创建了10个折叠,这意味着10个未经训练的副本,该模型在原始数据集的独特的随机分割上进行训练和测试。在这10次折叠中,模型结构达到了约82%的总体测试准确度,高于目标准确度,并且与其他类似测试相当(在讨论部分中进一步讨论)。2.2. 糖尿病视网膜病变模型迁移学习是对预先训练和测试过的复杂深度学习网络的最后几层进行再训练,其准确性、效率和损失与从头开始构建模型相当。它需要更少的训练数据、计算能力、模型大小和训练时间。选择的预训练模型是Inception v3,它显示出比VGG和MobileNet等模型结构更高的初步准确性。Inception v3是一个训练识别1000个不同对象(类)的图像的模型。在迁移学习中,最终的选择的数据集是EYEPacs视网膜眼底图像数据集Fig. 1. 随机森林,经典朴素贝叶斯和K最近邻的准确性比较。使用“ 投 票 ” 系统 , 随机 森 林分 类 器可 以快 速 学习 数 据并 准 确验 证 预测 , 从 而提 高 效率和最终性能。K. 查克拉瓦达努拉医学信息学解锁24(2021)1004853===[13],一个广泛使用的数据集,作为公开竞赛的一部分发布,包含约45,000个视网膜眼底图像及其相应的等级。由于眼睛的复杂性,我们最初将原始图像输入到转移深度学习网络的方法产生了低于60%的低准确度,这表明需要进行修改。在医学上,专家通过观察血管来诊断糖尿病视网膜病变和眼睛的因此,该模型可以安全地将除血管外的所有血管视为“噪声”,以识别糖尿病视网膜病变。为了简化输入数据并去除这种“噪声“,使用了自动血管分割。为了验证自动血管分割可能具有的改进,在DRIVE数据库[2]上测试了迁移学习模型,该数据库具有手动血管分割的图像及其相应的糖尿病视网膜病变诊断(由医学专业人员分级)。该模型报告的准确率接近97%,显示了这种方法的潜力然而,仍然存在的问题是自动由于问题的复杂性和对许多现有数据集已经进行的大量研究,开源对比模型(如参考文献[1]中所述)在STARE数据库[6]的部分上转移学习了这项任务。该模型在数据集DRIVE [2]、STARE [6]和 HRF [5],其组合具有数百个图像对。该模型的预测与分割后的图像非常接近。数据集中较低的值存在明显的偏差,因为较高的水平在世界上非常罕见。但是,如果一个类被过度表示,特别是在深度学习中,模型可能会根据数据集而不是图像内容进行过度拟合和预测。一个解决方案是在更高级别上增加数据点的数量。这是通过进行数据扩充来实现的。简单的数据增强是图像的反转或添加噪声以创建新数据,并创建模型对失真的这是通过一个简单的python脚本对3/4类图像图图2示出了眼底图像上的数据增强的效果。最终的模型架构如图所示。3.第三章。2.3. 智能手机实现和原型应用程序和用户界面在IDE XCode中以Swift语言编码/设计。由于模型是用语言编写的,并且使用的库不是iOS原生的,因此使用另一个名为coremltools的库将模型转换为CoreML,这是用于机器学习的iOS原生构造。在此转换之后,应用程序可以充分利用模型。下一步是设计一个专业和干净的用户界面(UI)和用户体验(UX),这是使用多功能的XCode IDE实现的。虽然每个单独的模型都进行了测试,但综合测试图二. 左还有待评估。该模型在多项试验中进行了测试,来自UCI心脏病数据集的50个随机数据集(每个数据集由12个值组成- 11个UCI心脏病数据集不包括视网膜眼底图像,因此基于D.R. UCI集合中的严重程度分类。总体而言,该测试在50个集合中的准确率为80%。当对每个模型进行二进制分类时,就像在现实世界中一样,准确率为96%。因为视网膜眼底图像通常是在一个昂贵的和固定的机器(见图)。 4),一个更移动和更便宜的版本需要开发,以适应智能手机应用程序(见图。 5)。为此,设计并制造了一种3D打印的智能手机附件。虽然本研究的重点是模型和算法的开发,这个附件,使在一个原型类型的实现。该附件适合智能手机摄像头,并且可以调节。此外,它重量轻,结构紧凑,用户友好(具有一些基本的指令),多功能,价格低廉(成本低约100倍)。该附件可以使用手机的本地闪光灯照明或任何其他同轴光源。2.4. 评价虽然衡量模型性能的一个重要方法是简单的模型准确性,但还有其他几种更具描述性的方法可以确保模型在多个方面的性能2.5. 受试者工作特征(ROC)曲线ROC曲线显示了模型区分类别的能力。ROC曲线是通过改变分类之间的阈值并测量“真“或正确阳性部分与“假“或不正确阳性部分来创建的。一个好的ROC曲线意味着类之间的“重叠“很小(或者模型在预测中更“确定“),这在医疗计算问题中尤其重要。ROC曲线和中心线之间的距离表示模型分配给每个类别的差异量(高距离更在ROC曲线中,AUC ROC(ROC曲线下面积)是模型性能的最佳度量。一个优秀的模型具有接近1的AUC ROC(TPR 1处的水平线),这意味着它具有非常高的可分性度量。较差模型的AUC ROC接近0(TPR 0处的水平线),这意味着它具有最差的可分离性度量。当AUC ROC 0.5时,模型没有区分能力。2.6. 学习曲线(测试和训练精度与数据集比例)学习曲线是当数据集大小变化时,训练和测试准确度如何变化的可视化,因为模型获得了更多的学习曲线是有用的,因为它显示了添加更多的数据可能会或可能不会使模型受益,告诉研究人员追求更多的数据是否真的有用。它也是过度拟合和欠拟合的指标。两种模型的学习曲线如下(图1)。 8)。从学习曲线中可以看出,最重要的性能指标是拟合。有两个可能的问题与拟合有关:过拟合和欠拟合。当模型的预测能力与特定数据集过于接近时,会发生过拟合,因此可能无法拟合额外的数据或可靠地推广到未来的观察结果。当新数据的准确性大幅下降时(例如在测试集中),分析过拟合。如果训练曲线(红色)与测试线不收敛K. 查克拉瓦达努拉医学信息学解锁24(2021)1004854±±图三. 最终模型架构,带有自动血管分割和Inceptionv3迁移学习。当使用前面描述的10倍交叉验证方法在EYEPACS数据集上进行测试时,该模型记录了约81%的测试准确度,这是非常值得尊敬的(参见讨论部分以进行进一步比较)。分析可以揭示对状况或生物系统的新见解。该图可用于告知患者和医生为什么该模型做出特定预测,并告知患者如何改善其风险分类,最重要的风险因素是年龄,静息心率和糖尿病视网膜病变严重程度的分类(见图1)。 6)。3. 结果3.1. 受试者工作特征(ROC)曲线图7显示了每个模型的受试者工作特征(ROC)曲线。心血管系统的平均AUC ROC(5倍交叉验证)见图4。 传统的视网膜成像仪,成本约5000美元。图五. 左图显示了从右侧设备输入的智能手机应用程序示例(取自真实视网膜)。当拍摄图像时,饱和度自动应用于消除背景噪声并使图像清晰。右图显示了安装在智能手机上的3D打印设备,这是设备配置(镜头被移除)。(绿色)表示模型过拟合,因为即使有足够大的数据集,测试精度也永远不会达到训练精度此外,如果曲线随着越来越高的值而大大减少,则模型很难推广到更多的数据和噪声,这是欠拟合的。2.7. 特征重要性特征重要性对于具有可能的医学应用的模型来说是重要的可视化,这主要是因为医生和患者都需要信任模型,并且还因为特征重要性危险因素模型为0.90,95%CI。0.11,糖尿病视网膜病变模型的平均AUC ROC(也在5倍交叉验证中)为0.982,95% C. I.0.002.注:该曲线的数据是二分的(因为ROC测量两类差异的性质),因此这些曲线图六、 该应用程序将一些基本的风险因素作为模型的输入。K. 查克拉瓦达努拉医学信息学解锁24(2021)1004855图7.第一次会议。每个模型的ROC曲线。自变量为阈值,因变量为TPR与FPR之间的关系图8.第八条。每个模型的学习曲线,红色曲线表示训练(橙色表示D.R. 模型)和测试或交叉验证的绿色(蓝色的D。R.模型)。自变量是数据集部分,因变量是准确性。(For对本图中颜色图例的解释,读者可参考本文的网络版证明了模型3.2. 学习曲线图8显示了每个模型的学习曲线。对于心血管风险因素模型,具有更多数据的共享收敛点显示了具有更多数据的增长潜力。上限约为90%,这是非常好的表现。有了手头的数据集,模型不会过拟合,但会从更多的数据中受益。该模型也没有欠拟合,这是积极的,并显示了该模型在更多数据下更好地推广对于EyePACS数据集上的糖尿病视网膜病变模型,模型没有过拟合,收敛点大致相同,这表明模型几乎处于峰值泛化。该模型似乎略有不足,可能是由于问题的复杂性和不同图像的数量,以及模型 是迁移学习的结果。3.3. 模型可视化心血管风险因素模型的特征重要性图如图9所示,风险因素与其对模型预测的相对重要性相关。见图9。所选心血管危险因素的相对重要性,以图形表示。随机森林模型训练后获得的结果4. 讨论如引言部分所述,存在用于视网膜眼底图像中的糖尿病视网膜病变的自动分类的深度学习方法。迁移学习模型的平均AUC ROCK. 查克拉瓦达努拉医学信息学解锁24(2021)1004856±在本研究中呈现的是0.982(95%C.I.,0.980-0.984)。在谷歌研究人员使用深度学习对参考文献[13]中相同的EYEPacs数据集进行分类的一项研究中,AUC ROC为0.991(95% CI,0.988在一项使用深度学习对同一数据集进行分类的单独研究中,AUC ROC为0.951(95% CI,0.947 -0.956)进行测量[ 17 ]。参考文献[14]中的模型具有略高的AUC ROC,而参考文献[17]中测量的AUC ROC显著较低。在试验时,由于训练结构的复杂性的资源需求,这两种模型都不能在本研究中使用的智能手机设备上实现,以及其他几种没有云处理支持的最新智能手机模型。除了无法运行分析外,跟踪能源和存储使用情况还揭示了移动设备在试用时存在的重大可行性问题。本研究中提出的模型冻结了原始Inception v3网络中的大部分训练层,降低了资源密集型复杂性,并允许以快速的方式在各种智能手机上进行有效预测(平均处理时间为4秒)。与参考文献[14,17]中提出的更具资源密集性的模型相比,许多当前通过深度学习方法进行自动糖尿病视网膜病变检测的智能手机启用方法报告的准确性相对较低。例如,在Ref.[10],一组已知2型的患者糖尿病患者接受成像以进行移动分析。 其中,仅在68.6%的患者中自动正确检测到糖尿病视网膜病变的存在。相比之下,本研究中提出的模型以96%的准确率进行这种二元分类,并以80%以上的准确率进行严重程度分类。在筛选设置(二元分类)中,本研究中提出的器械比当前方法更有效。目前,自动心血管风险预测需要通过血液测试获得的风险因素。本研究的目标是删除这一要求,使风险评估更容易和快速。在参考文献[11]中,构建了一个机器学习模型,使用473个变量预测和识别心血管疾病风险人群,包括与血液分析、饮食和营养、健康和病史、家族史、社会人口因素、心理社会因素、身体活动、生活方式和身体测量相关的风险因素。使用受试者工作特征曲线下面积(AUC-ROC)评估预测性能,报告为0.774,95%置信区间为0.768-0.780。这改进了先前的方法,例如Frachial评分[12],但它需要许多风险因素,这些因素在全球大多数地区难以获得。这阻碍了大规模的有效性,特别是在低资源环境中,这意味着许多人不了解他们的风险。本研究中提出的模型考虑了患者的视网膜眼底图像,并报告了0.9(95% CI 0.11)的平均AUC-ROC。这是一个统计- 有显著的改善。然而,重要的是要考虑到,在参考模型。[11]数据来自许多更多参与者很可能,本研究中提出的模型将随着如此大的代表性而减少,未来必须进行更大样本量的测试,以更适当地比较模型并评估本研究中提出的模型推广到其他亚群的能力。 UCI数据集相对较小(约1000个样本),但由于 由于该应用的筛选性质、高交叉验证准确性和上面报道的高AUC ROC,该模型在以可访问的、非侵入性的和快速的方式提高对心血管风险的理解方面仍然有效。Xie等人[15]发现增殖性DR患者发生心血管疾病的风险增加,这意味着必须对这些患者进行更密切的随访以预防心血管疾病。目前用于监测心血管风险和糖尿病视网膜病变的方法是分开的,而本研究中提出的设备集成了糖尿病心血管和眼部并发症的监测,从而改善了早期干预和治疗,以预防不可逆的失明和心血管疾病,会导致死亡此外,由于与当前方法相比其改进的便利性、成本、速度和非侵入性,该设备具有产生更广泛影响的潜力,特别是在发展中地区和全球范围内5. 结论新的测试在几个指标上展示了性能,这些指标与尖端技术相当或超过尖端技术。目前用于糖尿病视网膜病变的装置和测试需要昂贵的机器和训练有素的医生,而这种装置便宜得多(视网膜成像附件的印刷成本约为30美元),这也表明了将加速这种装置的应用的巨大经济效益。此外,该测试更快(该测试只需几秒钟,而目前的方法需要2-7周),这意味着早期干预得到了改善,并且可以进行更频繁的监测,而这是目前缺乏的。目前的心血管风险测试(即使是自动化的)需要血液测试,这是昂贵的,侵入性的(这可能是不安全的,特别是对于老年患者或污染率高的地区的患者),并且耗时。所有这些都限制了有效的早期治疗,并使持续监测成为不可能。该设备即时且廉价地预测心血管风险,而不需要进行不方便和侵入性的血液测试。此外,目前对这些条件的测试是独立的和不频繁的,而实际上,由于它们的基本连接性,它们应该被高频率地跟踪。5.1. 发展中区域的实施情况在世界各地的社区中,这些改善意味着更多的人可以轻松地了解心脏问题并采取行动,挽救世界各地的生命。特别是在发展中国家,了解心脏并发症对健康生活至关重要,这项技术显示出大规模提高全球低资源社区人们检测和治疗心脏问题的能力的潜力。这些结合起来,加上增加的便利性和易用性,增加了该设备改善发展中国家糖尿病视网膜病变和心血管疾病治疗的能力。此外,该设备还有助于通过云进行连续监测和远程分析,这意味着即使医生与患者不在同一区域,也可以改善早期干预和治疗管理。通过跟踪和监测糖尿病在眼睛和心血管并发症中的进展,我们可以改善早期检测和干预,以检测和减轻糖尿病并发症,甚至超越本工作中关注的两个。在更广泛的范围内,这对改善医生短缺的发展中国家的医疗质量具有特殊的智能手机的采用率目前在许多发展中国家相对较低,地区,可以有很大的不同。在这些情况下,援助组织可以在标准智能手机上使用此应用程序,以便筛选大量人群。对于个人监测,向当地医生和医院捐赠设备是最有效的策略。由于3D打印在发展中国家尚未普及,起初,援助组织及其合作伙伴将廉价打印附件,以部署在资源匮乏的社区。我们已与One World Health及Microsoft 4Afrika等援助组织建立合作关系,探讨在非洲资源匮乏地区部署我们的因此,至少在最初,该设备将在辅助和筛查方面发挥最有效的作用,向医生传达信息和预测,以加强治疗和在损伤不可逆转之前及早做出反应的能力。K. 查克拉瓦达努拉医学信息学解锁24(2021)10048575.2. 限制尽管结果令人鼓舞,但该设备具有必须解决的局限性。与专业视网膜相机相比,智能手机视网膜成像附件的视场(FOV)有限,导致较低的分辨率和较低的准确度。然而,这可以通过将低质量图像引入训练集中来缓解,这在本研究中已经完成,但应该进一步推进。同样,模型需要在这些较低FOV的视网膜图像上进一步测试,以确定精度降低的程度。由于这一限制,目前该设备作为辅助工具最有效,如果有必要,可以与专业机器的测试配对。然而,该装置对于连续监测和早期检测仍然有效,以在病情严重时发出需要进一步测试的信号。此外,尽管使用了大量图像,但它们可能不代表影响诊断的外部并发症,从而降低了模型准确性。对于心血管风险因素模型尤其如此,因为样本数量(约1000)远低于糖尿病视网膜病变模型。两种型号都需要更多的数据来改进这方面的设备,以确保在引入未知并发症时模型不会动摇最后,使用的数据集中的一些特征是自我报告的(如吸烟年限,APPROX。每天吸烟,和糖尿病家族史),并可能有偏见或不正确。尽管这种局限性是公认的,但它是大多数健康相关数据集所固有的,并通过其他预测因素得到补偿。尽管如此,该设备显示出有希望的结果和极大改善糖尿病视网膜病和相关心血管风险的监测和早期检测的真正潜力,改善治疗并允许在损伤以完全失明甚至死亡的形式不可逆转之前进行干预。此外,这种即时护理设备的便利性、快速性、非侵入性和低成本允许在发展中国家广泛实施,以改善医疗护理的可及性和质量6. 未来方向6.1. 模型改进由于本研究缺乏更强的计算能力的限制,所需的模型大小和计算能力是确定正确方法的重要因素,这自然会以一定的准确性为代价。随着计算资源的扩展和训练时间的增加,这一约束将得到缓解,并且可以实现更高的模型性能。这将确保在模型在现实世界中进行测试之前获得最大的准确性和效率。更高数量的数据点将产生一个更通用的,因此更有帮助的模型,因此本研究的目标是获取,验证和使用更多的数据。6.2. 初步试验反馈在上述步骤之后,未来工作的另一个重点是在患者知道测试的封闭环境中收集初步辅助临床试验的数据。这将测量真实世界系统中的性能,其中真实世界因素和噪声发挥作用,并且可以定量和定性测量对模型性能以及整体性能的影响。测试、应用程序、模型、3D打印成像附件或部署的潜在问题将在更广泛的部署之前暴露并纠正。具体而言,将评估3D打印视网膜成像附件对各种不同眼睛成像的能力。目前,该器械的试验虽然存在,但尚未针对不同条件和亚群进行系统性试验这将导致基于真实世界反馈的应用程序的进一步改进。此外,医生和患者都可以在无成本的环境中慢慢开始对该系统产生信任,这也推动了机器学习和护理点技术在医学中的广泛应用。6.3. 与丙酮传感器这项工作中提出的测试旨在改善糖尿病视网膜病变和心血管风险的检测和监测。这两种情况都与糖尿病有关;糖尿病视网膜病变是糖尿病的直接并发症,并且糖尿病已被几项已发表的研究明确证明是心血管疾病的主要风险因素,包括[16]。除了这项研究及其对所讨论的模型和算法的关注外,还开发了一种唾液丙酮传感器和配套的智能手机应用程序,以改善糖尿病视网膜病变和心血管疾病的众所周知,丙酮与患者的血糖水平直接相关(糖尿病的传统标志物)。传感器通过观察涉及丙酮的化学反应来检测丙酮,该化学反应在传感室中产生颜色变化。通过读取传感室的红色吸光度,可以确定丙酮浓度。唾液中丙酮浓度的峰值是糖尿病进展的良好指标,因此是糖尿病并发症的良好指标。该传感器的实现,结合本研究中的工作,可能会提高医生预测糖尿病并发症和早期反应的能力。虽然初步结果很有希望,但目前正在对该器械和应用进行更全面的评估,以测量灵敏度、准确性和潜在问题。7. 总结这项工作的目标是创建一个综合测试,自动化,不需要实验室血液分析,筛查糖尿病视网膜病变和心血管风险。首先,通过回顾性分析各种危险因素(快速和非侵入性地获得)对心血管风险的影响,开发了一个随机森林模型。接下来,开发了一个深度学习模型,用于通过转移学习Incep-tionV 3模型并通过自动血管分割预处理图像,从视网膜眼底图像预测糖尿病视网膜病变。这些模型被集成到一个基于智能手机的设备中,并结合了一个廉价的3D打印视网膜成像附件。准确性评分,以及受试者工作特征曲线,学习曲线和其他量表,是有希望的。这种测试更便宜,更快,可以持续监测糖尿病及其并发症。它有可能取代诊断糖尿病视网膜病变和心血管风险的手动方法,这些方法耗时且昂贵,只能由医疗专业人员在远离护理点的情况下完成,并通过更快,更便宜和更安全的糖尿病监测来预防不可逆的失明和心脏相关并发症。跟踪糖尿病的心血管和眼部并发症还可以改善对其他糖尿病并发症的检测,从而在全球范围内实现更早和更有效的治疗。伦理声明作者与可能影响或偏见其工作的人或组织没有财务或个人关系。竞合利益作者声明,他们没有已知的可能影响本文所报告工作K. 查克拉瓦达努拉医学信息学解锁24(2021)1004858+承认资金来源无外部资金来源申报。引用[1] Azzopardi G,Striciuglio N,Vento M,Petkov N.用于视网膜图像血管描绘的可训练cosfire滤波器。 医学影像分析2015;19:46-57。[2] StaalJJ,Abramoff MD,Niemeijer M,Viergever MA,van Ginneken B.视网膜彩色图像中基于脊线的血管分割。 IEEE Trans Med Imag 2004;23:501-9.[3] CuadrosJ,Bresnick G. EyePACS:用于糖尿病视网膜病变筛查的适应性远程医疗系统。糖尿病科学与技术杂志(在线版)2009;3(3):509-16。[4] 杨文,李文.使用深度学习自动检测糖尿病视网膜病变。AMIA Jt Summits TranslSci Proc. 2018;2017:147-55.发布于2018年5月18日。[5] Odstrcilik Jan,Jan Jiri,Kolar Radim,Gazarek Jiri.彩色视网膜图像匹配滤波血管分割的改进。IFMBE Proceedingsof World Congress on Medical Physics andBiomedical Engineering. 2009年p. 327比30[6] 放大图片作者:Hoover A,Kouznetsova V,Goldbaum M.通过匹配滤波器响应的逐段threshold探测在视网膜图像中定位血管。IEEE Trans Med Imag2000年3月;19(3):203-10。[7] 心脏病事实统计。&(未注明)。摘自https://www.cdc.gov/heartdisease/facts.html。[8] 关于糖尿病性眼病的事实检索自https://nei.nih.gov/health/diabetic/retinopathy; 2015年9月1日。[9] 放大图片作者:William Pfisterer,Robert.&&&心脏病数据集。UCIarchive.ics.uci.edu/ml/datasets/heart www.example.com[10] Rajalakshmi R,Subashini R,Anjana RM,Mohan V.使用人工智能在基于智能手机的眼底摄影中进行自动糖尿病视网膜病变检测。Eye 2018;32(6):1138-44.https://doi.org/10.1038/s41433-018-0064-9网站。[11] Alaa AM,Bolton T,Di Angelantonio E,RuddJ, van der Schaar M.使用自动化机器学习预测心血管疾病风险:一项对423,604名英国生物银行参与者的前瞻性研究。PloS One 2019;14(5):e0213653。网址://doi.org/10.1371/journal.pone.0213653。[12] Jahangiry L,Farhangi MA,Rezaei F.代谢综合征患者10年心血管疾病风险评估的Fragrance风险评分健康,人口和营养杂志,36(1)2017;36。https://doi.org/10.1186/s41043-017-0114-0.[13] Kaggle糖尿病视网膜病变检测竞赛。https://www.kaggle.com/c/diabetic-retinopathy-detection; November,2018.[14] Gulshan V,Peng L,Coram M,et al.在视网膜眼底照片中检测糖尿病视网膜病变的深度学习算法的开发和验证。JAMA. 2016;316(22):2402-10。https://doi.org/10.1001/jama.2016.17216网站。[15] XieJ,Ikram MK,Cotch MF,et al.糖尿病黄斑水肿和增殖性糖尿病视网膜病变与心血管疾病的相关性:一项系统综述和荟萃分析。JAMA Ophthalmol2017;135:586-93。[16] 多肯湾心血管疾病和糖尿病的病理生理学:超越血压和血脂。糖尿病谱。2008年7月2008年;21(3):160-5。网址:http://doi.org/10.2337/diaspect.21.3.160[17] Voets M,Møllersen K,Bongo LA.使用公开数据的再现研究:开发和验证深度学习算法,用于检测视网膜眼底照片中的糖尿病视网膜病变。PloS One 2019;14(6):e0217541。https://doi.org/10.1371/journal.pone.0217541。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- ***+SQL三层架构体育赛事网站毕设源码
- 深入探索AzerothCore的WoTLK版本开发
- Jupyter中实现机器学习基础算法的教程
- 单变量LSTM时序预测Matlab程序及参数调优指南
- 俄G大神修改版inet下载管理器6.36.7功能详解
- 深入探索Scratch编程世界及其应用
- Aria2下载器1.37.0版本发布,支持aarch64架构
- 打造互动性洗车业务网站-HTML5源码深度解析
- 基于zxing的二维码扫描与生成树形结构示例
- 掌握TensorFlow实现CNN图像识别技术
- 苏黎世理工自主无人机系统开源项目解析
- Linux Elasticsearch 8.3.1 正式发布
- 高效销售采购库管统计软件全新发布
- 响应式网页设计:膳食营养指南HTML源码
- 心心相印婚礼主题响应式网页源码 - 构建专业前端体验
- 期末复习指南:数据结构关键操作详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功